随着社交媒体与信息技术的发展,海量的多模态数据广泛分布于互联网中,人们亟需一种能够跨越数据模态间差异的检索方法来满足他们日益增长的检索需求。因此,跨模态检索成为了近几年的一大研究热点。为了跨越不同模态间的异构鸿沟以及语义鸿沟,跨模态检索方法需要为多模态数据学习公共表达并将它们共同投影到公共空间中以进行相似性度量。而现有的大部分无监督跨模态检索方法都忽略了多模态数据的本质,对多模态数据的公共表达缺乏合理的数学建模,导致它们过分地关注多模态数据间的相似性保持问题,并尝试将模内相似性与模间相似性这一对相互约束的相似关系同时保持到公共空间中,使得它们生成的公共空间出现分布混乱的问题,进而影响跨模态检索的精度。针对此问题,本文对多模态数据的本质以及不同模态间的关系进行思考和讨论,将多模态数据的公共表达明确定义为一种包含充分的场景信息的表达,并提出了表达补齐的方法在无需考虑大量相似性关系的情况下为多模态数据生成这种包含完整信息的公共表达。本文的主要工作包括:1.从场景的角度对多模态数据的本质进行了分析,并将多模态数据的公共表达抽象定义为充分场景表达,公共空间则建模为以各个单模态空间作为子流形的高维流形。2.基于对公共表达的建模,提出了一种基于逻辑回归的表达补齐方法,可以为多模态数据补齐它们在其他模态下所缺失的表达和信息从而有效地为它们生成充分场景表达并进一步嵌入到高维的公共流形中进行相似性度量。3.基于高斯混合模型对多模态数据进行建模,并分别为不同模态的数据生成其统计表达。于是,单模态空间与公共空间均被抽象成了统计流形,而多模态数据间的相似性也可以在统计流形中通过测地距离准确地度量出来。并且本文基于此度量为多模态数据进一步生成跨模态哈希以进行更加高效的跨模态检索。本文在三个常用的多模态数据集上分别与9种主流的无监督跨模态检索方法进行了实验对比,充分地展现了所提方法在跨模态检索上的优异性能。并且,通过一系列的消融实验,也证明了本文将公共表达定义为充分场景表达的正确性以及表达补齐方法的有效性。