随着移动通信网络和各类智能传感器的飞速发展,人们对沉浸式交互体验的需求日益增长。触觉作为重要感知模态,是提升用户整体沉浸感、流畅感、参与感的关键。然而,传统的音视频传输方案无法应对突变的触觉信号和其超高的低延迟要求。因此,如何设计一个通用的多模态传输方案,能自适应传输过程中环境、信号的实时变化,实现对数据流的实时控制以适应各种远程操作场景是亟待解决的问题。此外,参考多模态深度学习领域研究成果,将多模态人工智能的技术融入多模态通信中,则可以在某些场景下达到传统通信领域技术难以达到的效果。基于此,本文提出了自适应的跨模态通信框架,并在框架中设计两种自适应跨模态图像—触觉信号重建方法,最后通过大量实验证明所提方法的有效性。主要包含以下三个内容:（1）完成了自适应跨模态通信框架的设计与实现。基于触觉数据量和通信网络属性两方面,根据当前通信环境自对传输方式进行自适应调整。其中包括提出跨模态压缩方案,在不损伤数据质量的情况下,利用互补模态进一步压缩数据量;其次,根据应用场景和通信网络属性,自适应调整传输优先级;最后利用第四章和第五章中提出的信号重建模型,在接收端进行跨模态信号恢复。此外,在自己搭建的远程通信场景中验证了传输框架的有效性。（2）提出了基于自编码器的自适应跨模态图像—触觉信号重建算法,可为新型多模态应用保证传输服务。在模型中,针对稀疏数据对对模型泛化的限制,从未配对的视觉和触觉领域迁移有效知识到配对模态领域。同时,挖掘不同模态的互补性和关联性实现跨模态语义一致性。其中,我们联合域对齐和特征区分学习来弥补模态间数据的高度异构,类别区分的共享语义特征可以为领域对齐提供良好的执行环境。最后,在LMT数据集和我们自己构建的跨模态数据集上,评估了提出的跨模态重建模型的有效性。同时也结合第三章提出的通信框架,验证了最后的通信体验质量。不难看出,深度学习模型与通信框架的融合可以很大程度解决传统方法面临的挑战。（3）提出了基于CGAN的自适应跨模态图像—触觉信号重建算法,可为新型多模态应用提供高质量传输服务。提出的框架包含两个模块:特征提取模块和信号生成模块。在特征提取模块中,利用基于实例权重的迁移增强方法,有效抑制负迁移的发生,进而提取有益特征。在信号生成模块中,利用两个独立的条件生成网络,将提取的特征与随机信号连接输入生成器,从而实现跨模态互生。从结果对比来看,本章提出模型的输出信号在质量上较第四章有明显提升,但在数据类别对应上不如第四章提出的模型,这也是生成对抗模型的不稳定所造成的。此外,还在实验中显式地展示了实例权重在迁移中起到的效果。