近年来,随着互联网的快速发展,由视频剪辑、图像、文本等多种类型的数据构成的多媒体数据无处不在。如何从这些多媒体数据中获得丰富的信息和宝贵的价值引起了学术界和工业界的广泛研究,跨模态检索算法应运而生。人们对跨模态检索进行了各种各样的研究,该算法的目的是当给定来自一个模态的数据对象作为查询时,可以从另一个模态获得所需的相关对象,所提供的结果能够帮助用户获取有用的信息。跨模态检索方法存在一个基本问题,即如何直接度量多模态数据之间的相似性,这被称为语义鸿沟。为了解决这个问题,大致有两类方法,一类是跨模态子空间学习方法,另一类是跨模态哈希方法。考虑到多模态数据的特点和一些现存于跨模态检索方法的缺点,本文针对如何充分地利用鉴别性信息来更好地保留语义结构信息展开摸索,主要做了以下工作:（1）为了既保持多模态信息之间的相关性,又充分利用语义结构信息,提出了一种跨模态检索的鉴别子空间学习方法,将特征选择和语义结构保留结合到子空间学习中。该方法通过构建一个共享图来保留每个模态中的语义结构,此外引入希尔伯特-施密特独立性准则来保持样本的特征相似度和语义相似度之间的一致性,最后为学习模型构造了一个标签角度重构方案,以学习每个模态的特征表示,这个项可以弥补鉴别性数据使用不充分的缺点,使学习到的表示更具鉴别性,从而提升跨模态检索的性能。针对优化问题,设计了一种基于Stiefel流形的迭代优化方法,该方法收敛性较好,并提供了它的严格收敛性的理论分析。在两个广泛使用的数据集上的实验结果表明,与五种经典的子空间学习方法相比,该方法可以获得更好的性能,因此在子空间学习方法中更具有竞争力。（2）现有的哈希方法仍然存在一些挑战,例如如何有效地利用标签信息,如何学习到更具鉴别性的哈希码以及如何避免大规模相似度矩阵带来的高成本。为了解决这些问题,提出了一种快速鉴别性跨模态哈希方法。在哈希码学习阶段,该方法引入哈希码角度重构方案,将图像和文本信息重构到汉明空间中,利用低层文本图像原始特征直接学习二进制哈希码,减少了由松弛方案引起的信息损失。其次,该方法没有通过构造9)×9)的相似度矩阵,而是利用语义标签嵌入方案直接建立高层语义标签到哈希码的映射,所以计算量较小,存储成本较低。结合上述两者可以学习到更具鉴别性的哈希码。另外,在哈希函数学习阶段,在简单的线性分类回归模型基础上引入一个公共项来保留模态间的有价值的公共信息,从而学习到更加符合预期的哈希函数。在两个基准数据集上展开了充分的实验,最终数据显示,与一些先进的哈希方法相比,该方法可以获得令人满意的性能,具有优越性和有效性。