多媒体数据在互联网上呈爆发式增长,对于多媒体数据处理的问题成为一个热门的研究领域。传统多媒体数据的研究多集中于对单模态的研究,其中包括图像检索,文本检索,音频检索以及视频的检索等,忽略了对多媒体间关联的分析。尽管现在有大量独立的可视图像和文本数据可用于多模态的研究,但其中只有一小部分与语义关联相联系,随着大数据时代的到来,信息量不断增加,数据共享变得越来越迫切,研究人员对分析不同模式间的数据相关性越来越感兴趣,出现了基于多媒体数据的跨模态检索技术研究。针对跨媒体检索的研究,由于不同模态数据的原始特征具有不同的物理意义和维度造成了异构性,另外不同模态的数据低级原始特征和高级语义间存在语义差距,导致了多媒体间相似性度量面临挑战。为解决这些问题,本文提出了两种基于子空间学习的跨媒体检索算法,在几种经典的数据集上验证其有效性。本文被总结如下两个方面:(1)提出一种基于线性判别分析的跨媒体检索算法(Cross-Media Retrieval based on Linear Discriminant Analysis)。该方法在子空间学习的基础上,利用文本特征的高判别性,通过相关性分析,将文本特征的判别特征转化到相应的图像特征上,与此同时增强了图像的判别特性。(2)提出一种基于字典学习的跨媒体检索算法(Cross-media Retrieval Technology Based on Dictionary Learning)。同样的,该方法在子空间学习的基础上,利用字典学习方法学习两个不同模态数据的字典,更新相关字典来生成不同模态均匀的系数表示,通过特征映射由两个不同的投影矩阵分别把它们投入同构子空间,从而经过标签对齐同一类增强不同模态之间的相关性。在三个基准数据集上的实验结果表明,本文所提出方法有效。