科学技术的不断进步,多媒体以及互联网的广泛应用改变了以往人类依靠文字进行信息传递的单一方式。取而代之的是一种融合了视频、音频、三维立体动画等多种模态的多元信息交流方式。这种新兴的交流方式丰富了语义表达的形式。为了适应这一发展趋势,20世纪90年代兴起了多模态话语分析方法。本文使用的语料截取自北京奥运会的开幕式演出,其中既包括视频又包括音频。在对其研究的过程中本文采用了定量研究的方法。本研究以Kress和van Leeuwen的“视觉语法”、van Leeuwen的“听觉语法”以及影视学中的镜头拍摄和连接原理为依托,先就语料的语言文字、图像以及声音进行构成意义分析,后探讨不同模态在构建这段音乐视频的构成意义过程中的相互关系。通过系统的分析,本文发现视觉模态和听觉模态之间为加强关系。听觉模态是主要的交流方式,视觉模态被用来支持、突显和扩展其意义。此外,视觉模态中的不同次模态,如：图像、颜色和文字之间为联合关系。他们相互合作,互为补充,共同传达频制作者的交际意图。听觉模态中的不同次模态,如音乐、演唱、解说等之间为加强关系。演唱是主要的表达形式,其他声音被用来加强它。此外,演唱与掌声和欢呼声之间是主次关系。通过研究,文章检验了上述理论在对音乐视频分析中的可行性和实用性。从而使这种跨学科的视角和动态语料分析方法丰富了多模态话语研究的维度。同时,本文在分析语料时更多的重视了对不同模态之间关系的分析,克服了以往人们在这方面研究中存在的不足,从而补充和发展了多模态话语分析的方法。