以微博为代表的社交网络蕴藏着大量有价值的国民安全事件舆情信息,这些信息存在于社交网络的文本、图像以及网络用户等数据中。海量跨媒体信息的出现对传统的搜索方法提出了挑战。近年来兴起的深度神经网络方法为跨媒体语义信息的提取与理解提供了新的解决方案。为了高效查找社交网络国民安全跨媒体数据包含的有价值信息,本文实现了海量数据的实时采集和搜索系统,从图像特征、文本特征、用户特征三个方面采用深度学习方法对社交网络国民安全跨媒体数据进行分析,实现精准和高效的搜索。本文完成的主要工作如下:(1)提出了社交网络跨媒体信息的实时采集与基于深度学习的特征提取算法,实现了社交网络跨媒体信息的语义特征提取。对社交网络跨媒体信息进行实时采集,并采用深度学习方法提取社交网络图像和文本信息中的语义信息,进行社交网络跨媒体信息处理。(2)提出了社交网络国民安全事件信息过滤算法,实现了对社交网络图像和文本无关信息的有效过滤。从微博的用户特征及内容特征的显式特征和隐含特征入手,构建特征向量,通过对文本和图像信息的综合分析,结合深度学习方法,实现了有效识别过滤无关信息。通过微博国民安全事件数据集上的文本分类实验,可以看出所提算法在中毒事件数据集和爆炸事件数据集上的准确率、召回率和F1值均有提局。(3)提出了社交网络跨媒体语义扩充搜索算法,实现了社交网络跨媒体信息的精准搜索。利用词嵌入来建模单词相似性表示获取的语义。使用神经语言模型学习微博文本内部的词语关联关系,挖掘微博的潜在语义信息。充分利用图像信息及跨媒体信息的共现关系,训练图像到文本的语义映射。通过平滑逆频率加权的方法,提取微博内容向量。在微博国民安全事件数据集上的跨媒体语义扩充实验及搜索实验验证了所提算法在多个数据集上的MAP、NDCG指标均优于对比算法。(4)结合以上三个方面的研究内容,设计并实现了基于深度学习的跨媒体大数据搜索系统。系统共分为三个功能模块:社交网络跨媒体信息实时采集模块、国民安全事件跨媒体特征提取与搜索模块、社交网络内容及用户特征分析模块。