第四次工业革命的到来带领人类全方位进入智能时代,对现有海量、高维度、多样性数据的检索提出了更顺应时代发展的新要求。跨模态检索关注不同模态数据间的直接匹配,探索不同模态数据间的深层语义关联。然而由于多模态数据存在严重的“语义鸿沟”和“异构鸿沟”挑战,跨模态检索近年来逐渐成为研究热点,其中的二值化表示学习更是凭借存储成本低和查询速度快的优势,比其他方法取得了更显著的进步。以哈希和量化为代表的紧凑二值化表示学习促进了跨模态检索的快速发展。研究发现,基于哈希的方法普遍存在二值码对高维数据的表示能力不足和离散模型的优化等问题,基于量化的方法性能通常优于哈希方法。然而,即使基于量化的跨模态检索研究已经取得了不错的进展,一种理想的量化策略仍是一个挑战,仍存在以下问题:1)共同表示学习与特征表示学习的粘合度不够。2)码本作为量化学习最关键的基础,其优化的主动性被严重忽视。3)对减少语义标注依赖的研究不够深入。为了面对这些挑战,本文对跨模态量化检索技术展开了深入的研究,主要研究内容如下:（1）本文提出了一种基于有监督的语义一致性深度跨模态量化检索方法,即SCDQ,增强了特征表示学习与共同表示学习的关联并提高码本优化的主动性,以端到端的方式实现了真正意义上将量化学习深入融合到深度网络学习中。该方法为每个模态设计了各自的特征提取网络,并在其之后使用分类器生成子空间相关的特定类别抽象模式。同时,SCDQ算法为多模态数据设计了共有码本,通过将多模态数据的一致性语义嵌入到码字中,建立了码字与类别抽象子模式的关系,并基于此提出了新的码本优化方案。最后,SCDQ算法在两个数据集上进行了实验验证,实验结果证明了SCDQ算法在跨模态检索任务中的有效性。（2）本文提出了一种基于语义保留的深度半监督跨模态量化检索算法,即SSPDQ,延申了跨模态量化检索在半监督模式下的探索。该方法将深度神经网络和量化器融合到一个端到端的框架中,兼顾有标签数据和未标注数据,同时学习所有数据的特征表示和共有码本。同时,以新颖的方式优化码本,巧妙地将从标签数据中学到的特定类别抽象模式和未标记数据的浅层分布融入到码本的更新中,并针对多模态数据的融合问题设计了基于注意力机制的策略,进一步促进高判别性的码本学习。最后,新颖的算法架构设计和码本更新策略,使SSPDQ以非对称方式检索时实现了有效且高效的跨模态检索效果。在两个公开数据集上进行的大量实验表明,SSPDQ具有可喜的跨模态检索性能,并且优于几种最经典的跨模态检索方法。综上所述,本文针对基于深度学习的跨模态量化检索问题,提出了新型的量化学习核心优化策略,并在不同监督模式下设计相应的网络结构验证其有效性。本文提出的两种方法在两个公开数据集上的实验证明了算法的有效性,均取得了不错的效果。