随着社交网络用户群体的日益扩大,社交网络中每天产生的数据也越来越多,社交网络中的数据往往存在着噪声性、多样性及语义稀疏性等问题。针对社交网络数据存在的上述问题,本文对社交网络跨媒体时空特性数据的感知获取、社交网络跨媒体数据的语义提取建模,社交网络数据跨媒体语义搜索进行研究,最终实现了基于跨媒体语义特征的在线社交网络国民安全信息搜索系统。论文完成的主要工作如下:(1)在社交网络跨媒体时空特性数据的感知获取方面,针对社交网络数据广泛存在的噪声性、多样性问题,提出了一种社交网络国民安全时空特性数据获取方法。通过建立国民安全关键词词库,对社交网络跨媒体数据进行组织获取,过滤社交网络数据中存在的噪声信息,对社交网络跨媒体有效数据进行存储。通过提取社交网络对象时间信息、空间位置信息、用户状态信息等,对社交网络国民安全跨媒体数据的时空特性进行感知与获取。(2)在社交网络跨媒体数据的语义提取建模方面,针对社交网络数据存在模态形式多样以及语义稀疏性的特点,提出了基于时空主题词嵌入的文本语义建模算法(STTE)和时空跨媒体语义关联建模算法(STECM)。对于社交网络中的文本数据,结合数据的时空特性,对文本的时间信息和地理空间信息进行建模,通过结合语料数据中的全局和局部上下文信息,充分挖掘文本上下文之间的关联,获得最准确的特征,与传统的主题概率模型相比分类准确率提高了12.7%,与传统词嵌入模型相比分类准确率提高了9.2%。对于社交网络中的图像数据,通过卷积神经网络提取图像的深度特征,对图像数据的视觉特征进行抽象学习,获得图像的深度特征表示,并使用跨模态关联映射函数建立跨媒体数据间的语义映射关系,关联后的跨模态特征在社交网络国民安全数据上的分类性能提高了6.9%。(3)在社交网络数据跨媒体语义搜索方面,针对社交网络数据的多样性和噪声性问题,提出了基于深度随机游走的跨媒体语义关联映射算法(DWM),通过挖掘社交网络数据间的深度语义关联,实现了跨媒体语义关联映射。提出了基于语义扩展和深度哈希网络的社交网络跨媒体搜索算法(DHCS)。结合语义信息扩展和哈希编码,在社交网络跨模态搜索场景下,MAP指标与传统跨媒体空间搜索算法相比提高了13.1%,PR曲线指标相比对比算法提高了21.2%。(4)设计并实现了基于跨媒体语义特征的在线社交网络国民安全信息搜索系统。系统包括社交网络国民安全数据感知获取模块、社交网络国民安全数据特征提取建模模块,以及社交网络国民安全数据跨媒体语义空间搜索模块,实现了社交网络跨媒体国民安全信息的搜索。