随着互联网的发展,每天都有大量的多媒体文件产生,如何在海量数据中检索相关内容成为了科研人员重点关注的内容。传统的检索方法是在同一模态的数据中进行检索,如:图片检索、文本检索等,这种检索方式反馈的结果类型单一、形式不灵活,无法满足人们的需求,因此很多科研人员开始研究跨模态检索问题。跨模态检索是在不同的媒体数据中进行检索,通常用某种类型的数据查询得到内容相关的其他类型文件,例如:图片检索文本、文本检索图片等。和传统的检索方法相比,跨模态检索的反馈结果包含的信息更加丰富,不同的媒体文件间内容互补,给人们带来良好的检索体验。但是不同模态的数据间存在着异构鸿沟,如特征提取方式不同、特征维度空间不同、数据分布不同等,我们无法直接计算不同媒体文件间的相关程度。因此,如何缩小不同模态间的异构差异成为了跨模态检索要解决的难点问题。受到领域适配中特征迁移的启发,我们将域适应能力融入在子空间学习中,提取出具有域间不变性的特征,这样我们可以在子空间中直接计算不同模态样本间的相关程度,从而得到相应的检索结果。本文提出了两种算法来解决跨模态检索问题,主要工作如下:1.传统的子空间算法重点关注的是同一模态内部的结构信息,忽略了多种媒体文件间的互补信息。为了提取不同模态间的关系,本文在第三章提出了新的基于子空间学习的跨模态检索算法。该算法在分类误差的基础上,利用领域适配中的拉普拉斯矩阵将不同模态间的关系抽取出来,大大缩小了模态间的误差,增强了模态间的联系。该算法在多个数据集中表现突出,检索精度较其他方法都有一定提升。另外,我们还对算法进行了深度分析,增加了收敛速度、时间复杂度、参数敏感度的实验内容,实验结果证明该算法具有时间复杂度低、效果稳定、收敛快的优点。2.本文在第四章提出了基于多空间学习的跨模态检索方法。与传统的子空间学习不同的是,该算法在公共子空间的基础上,还增加了各自模态的私有空间。私有空间主要负责存储模态内部的结构信息,从而一定程度上减少了公共子空间的干扰。另外,为了使得私有空间和公共空间彼此独立,我们对私有空间和公共空间增加了正交的约束条件,并且利用重构误差以确保多空间学习的有效性。和其他经典算法相比,该算法在两种检索任务上都取得了很好的成绩。为了证明算法中各模块的有效性,我们对多模块间的不同组合进行测试。实验效果证明,多个空间的配合使用有利于检索效果的提升。另外,在实验部分,我们还增加了参数敏感度分析、收敛速度分析等实验内容,并将实验结果可视化。