传统的信息检索是基于关键字匹配或者是在单一模态下进行的,例如文本检索的查询集和结果集都是文本形式,而图像检索也是如此。面对互联网中日益增长的各类型数据,这种单模态的检索方式已经不能满足人们的需求,跨模态检索应允而生。本文研究的图文检索问题,正是从单一的文本检索或图像检索转换到图像和文本两种模态形式的检索。然而,目前大多的图文检索算法不仅结构复杂冗余,而且在检索匹配时往往只利用单一的全局(全局匹配型方法)或局部(局部匹配型方法)图像文本信息,而忽略了全局与局部语义信息之间的关联性。针对上述问题,本文提出了一种简单且有效的神经网络模型,不仅能够有效地对齐视觉和文本信息,并且模型中的结构能够轻松地迁移到其他模型上,改进原模型的检索能力。本文的贡献如下:1)提出基于全局与局部的协同注意力网络,该网络结构简洁,包含两种协同注意力机制ii-tt和it-ti。ii-tt协同注意力机制通过关联全局的图像/文本与局部的区域/单词的相关性,增强模型所提取特征的表达能力;而it-ti协同注意力机制通过利用全局的图像/文本与局部的单词/区域的匹配关系,能有效地对齐视觉和文本信息。因此,本文通过使用协同注意力机制结合图像文本的全局与局部信息,有效地克服局部匹配型和全局匹配型方法的不足,从而提高模型的检索能力。2)改进主流的图文检索模型SCAN和RDAN,提出相应的b GL-SCAN和b GLRDAN模型。在全局与局部协同注意力网络中,协同注意力结构具有良好的可拓展性,能有效地迁移到其他图文检索模型中。SCAN和RDAN模型在进行图文匹配时,主要关注于最大化程度匹配局部的图像文本信息,而忽视了全局与局部语义信息之间的关联性。因此,本文通过迁移协同注意力结构到SCAN和RDAN模型中,挖掘图像文本的全局与局部信息的关联性,增强模型的检索能力。3)本文在公开的数据集Flickr30K和MS-COCO上,通过多个不同实验的对比,验证了所提出的网络和改进模型的有效性。