智能媒体时代,人们每天会面对海量的数据和多种模态的信息,如果借助深度学习的方法能够帮助人们完成对目标数据的检索,将会极大便利我们的日常生活。而在一系列检索任务中跨模态检索任务由于需要消除不同模态表征之间固有的语义鸿沟而存在很大挑战,文本-视频跨模态检索任务就是其中之一。为了更好地实现对文本和视频的表征,建立二者之间的对应关系,进而完成文本-视频跨模态检索任务,本文构建了一种基于多尺度编码的模型。针对不同模态之间语义异质性问题,本文首先设计了一种视频侧多级编码的粗粒度检索模块（Coarse-grained Retrieval Module,CRM）,通过文本-图像对比预训练模型在文本侧提取句子级别的特征;在视频侧采用同样的预训练模型提取帧级别的特征,之后再对视频特征进行多级编码,充分表征整体语义信息,最终将其映射到文本语义空间,通过计算跨模态间的余弦相似性实现匹配检索。然而,粗粒度检索模块仅完成了语义整体尺度的跨模态匹配,并未考虑到文本整体语义相似时部分细节单词不同的情况。因此本文又提出了一种基于细粒度匹配的文本-视频检索模块（Fine-grained Retrieval Module,FRM）,将文本侧单词级别的语义视为细粒度信息,对粗粒度模块中模糊甚至丢失的细节进行补充。细粒度检索模块中,文本侧主要借助谓词和非谓词单词级别的编码特征,视觉侧通过深度神经网络隐式学习视频中代表动作和对象两类细节目标的特征,通过谓词-动作和非谓词-对象分别映射匹配,进一步实现准确检索,提升模型性能。最后,在粗、细粒度检索模块分别构建完成的基础上,本文考虑采用部分特征共享的方式融合不同模块,形成了完整的基于多尺度匹配的文本-视频跨模态检索网络（Multi-scale Matching Text to Video Retrieval Network,MTVRN）。确定训练模型之后,在测试阶段额外增加对余弦相似性分数的调整,为实验性能带来进一步提升。为了验证粗、细粒度模块及多尺度匹配的整体网络结构的效果,本文进行了一系列消融实验,并比较了MSVD、MSR-VTT（该数据集有MSR-VTT 1k-A和MSR-VTT full两种划分方式）和VATEX三个数据集上MTVRN结构与其他方法的R@K（K=1,5,10）、Md R和Mn R性能指标。实验结果显示,本文方法的检索效果良好,虽然与该任务领域现有最优方法结果仍存在一定差距,但是明显超越了基线方法,其中R@1在MSVD、MSR-VTT 1k-A、MSR-VTT full和VATEX上分别提高了4.3%、10.5%、5.7%和18.6%,体现了提出模型的有效性及鲁棒性。