近年来,随着人工智能、即时通讯和智能手机的发展,互联网中的各种数据处于指数级增长的状态。特别是对于一些UGC（User-Generated Content,用户生产内容,也称UCC）平台,用户可以随时随地将自己创作的图片、视频或音频等不同类型的多媒体数据上传到软件平台上。因此,如何高效、准确地从海量的多媒体数据中检索出用户需要的内容是一个具有应用价值却又极具挑战性的问题。因为不同模态数据的底层特征表示是异构的,存在着不可逾越的语义鸿沟,所以跨模态检索的关键问题之一就是解决数据间的语义鸿沟。针对上述问题,本文聚焦于视频和文本这两种最常见的跨模态检索数据,对基于公共空间学习的视频文本检索算法展开深入研究。本文从多模态数据的表达和公共空间学习的角度出发,提出了一系列视频文本跨模态检索模型,并在多个数据集上做了大量的验证及消融实验。具体来说,本文主要创新点如下:1、因为视频和文本的数据形态本质上都是序列,所以如何充分挖掘和表达序列特征成为了视频与文本检索的关键。为此,本文提出了一种基于序列特征增强的视频文本检索模型。该模型通过多个序列特征提取模块从原始序列数据中提取出差异化的序列特征,接着通过序列增强模块对序列特征进行增强,然后对增强后的序列特征进一步提取出序列中包含的局部信息,最后将从模型中提取出的不同特征融合并表示成视频和文本的公共空间。实验表明,这种基于序列特征增强的检索模型不仅充分挖掘了数据中的序列信息,还通过特征融合的方式对视频和文本进行高效的表达,进而提高了视频与文本相互检索的性能。2、现实场景中的视频和文本都包含了丰富的语义信息,如视频中有背景、人物和动作等不同的语义,文本中有名词、动词和语气词等不同的语义。为了对视频和文本的多种语义进行高效的表达与利用,本文提出了一种基于自适应多语义空间表示的视频文本检索模型。该模型共享多语义空间特征提取网络,通过同模态子空间之间保持差异性且跨模态子空间之间保持一致性的方式,来自适应地学习并表示不同模态数据的语义子空间。实验表明,该模型通过多语义子空间融合匹配的方式来对视频和文本进行检索,提高了模型的检索性能。3、因为视频和文本数据的语义鸿沟源于数据底层的差异,所以直接优化两个模态间的语义鸿沟非常困难。为此,本文提出了一种基于渐进式语义匹配的视频文本检索模型。该模型通过多层级的网络结构并引入多个辅助空间,由易到难地优化两个模态数据间的语义鸿沟。实验表明,这种渐进式的学习过程不仅可以降低优化语义鸿沟的难度,还能通过这种方式得到更好的公共空间表达,进而提高模型的检索性能。