随着多媒体设备和移动网络的普及,每天都会有大量的多媒体数据被生成、传递和处理。如何在海量的多媒体数据中获取到自己想要的信息,是互联网用户最为关心的问题,跨模态检索是重要的解决方式之一。跨模态检索技术可以根据一种给定模态的查询,搜索到其他模态的语义相关数据。另外,跨模态检索的应用场景广泛,最常使用的是图像和文本间的相互检索。然而,传统方法应用在跨模态检索上的效果并不好。比如说,没有类别信息帮助的无监督情况下传统方法准确率不高,一些有监督方法仅考虑了公共子空间中的特征相关性,还有一些传统方法直接使用特征向量进行检索计算导致效率不高。针对现有工作的不足,结合对偶学习的思想和生成式对抗网络（GANs）的技术,我们首次利用循环生成式对抗网络来学习不同模态数据的公共子空间,构建了一种新颖的双循环闭合神经网络。在有监督情况下,我们使用三元组约束来增强不同类别数据间的差异性以及不同模态相同类别数据间的相似性。在无监督情况下,我们引入了流形约束来捕获每个模态中样本的有意义最邻近信息,使得相似的样本在公共空间中有较小的距离。在最后,我们将公共子空间上的跨模态特征向量重新编码成简练的哈希码,并通过异或运算得到哈希码间的汉明距离来实现高效的跨模态检索。本文提出的方案解决了现有的有监督和无监督跨模态检索方法存在的问题。在实验部分,我们在三个广泛使用的数据集上和六种最先进的方法进行定量比较,证明了本文方法的优越性。