随着互联网技术以及社交媒体的发展,不同模态数据的体量急剧增长,人们对不同模态数据之间相互检索的需求也随之增加。其中一个具有应用价值的任务即图像文本检索,指的是输入某一模态的数据（例如图像）,通过训练的模型自动检索出与之最相关的另一模态数据（例如文本）。然而,来自图像和来自文本的特征存在固有的数据分布的差异,也被称为模态间的“异构鸿沟”,使得度量图像和文本之间的语义相关性困难重重。目前大多数模型采取了晚期融合的方案,分别对图像特征和文本特征进行学习,最后将来自两个模态的特征进行融合计算图像文本相似度。虽然这些模型在跨模态检索中取得一定进展,但其仍存在如下问题:首先,晚期融合方案中往往忽略模态间潜在的交互联系,无法很好弥合不同模态之间的差异;其次,现有的早期融合方案通常是在全局层面上进行融合,往往会遗漏模态内的细节信息;另外,这些工作通常只关注到了全局匹配或局部匹配,而不同模态之间的“局部-全局”融合并没有得到充分探索。针对前两个问题,本文提出了一种基于早期融合和晚期融合的混合融合模型。在原始图像特征和文本特征基础上,对图像中的视觉区域和句子的全局信息进行融合,使融合特征可以包含具有丰富细节信息的视觉局部信息和语言模态中的全局语义之间的关联,随后的网络对融合特征自适应地进行学习;与其同时,图像和文本进行晚期融合以丰富模态内语义表示。针对第三个问题,本文提出了一种基于模态间融合和模态内融合的混合融合模型,采用注意力流的形式在图像和文本特征之间传递模态间关联信息和模态内关联信息,并在模态内融合模块中通过门控机制利用跨模态的全局信息动态调控模态内局部信息的聚合。本文提出的两个方法均在大规模跨模态数据集Flickr30K和MSCOCO上进行实验,并与现有工作进行对比,证明了本文提出的方法在检索性能上的提升。此外,一系列消融实验结果与相关分析进一步证明了两个方法设计的合理性。