图像文本跨模态检索是计算机视觉领域中一个新兴的研究课题,旨在对图像与文本两种不同模态的数据进行相互检索。在如今大数据时代下,获取不同模态数据之间的关系,挖掘海量数据中的潜在价值尤为重要,因此该任务在商品检索、菜谱检索等领域有着巨大的应用潜力。由于跨模态检索任务旨在视觉和语言两种不同的媒体数据之间准确的找到相同语义的实例,因此除了如何弥补视觉和语言之间存在的“语义鸿沟”是该任务的主要问题。针对这一问题,本文基于深度学习对该任务从两个方面进行了研究。首先,针对传统的跨模态堆叠注意力机制在处理跨模态检索问题时未考虑图像、文本片段与图像、文本整体之间的关系而导致语义错位的问题,本文基于堆叠注意力机制设计了一个双向矫正注意力模型,它引入了子片段与整个图像或句子语义之间的相关性的新概念,并设计了一种新颖的正确注意力机制,对图像和句子之间的局部和全局相似性进行建模,以纠正集中在错误片段上的注意力权重。具体来说,我们引入了一个关于子片段与整个图像或句子之间语义关系的概念,并利用这个概念从两个方面解决语义错位。在我们正确的注意力机制中,我们设计了两个独立的单元来纠正集中在错误片段上的注意力权重。Global Correct Unit（GCU）将图像和句子之间的全局相似性建模到注意力机制中,以解决将注意力集中在不相关对中的相关子片段上导致的语义错位问题,而Local Correct Unit（LCU）则考虑了两个步骤之间片段之间的注意力权重,以解决由于将注意力集中在相关对中不相关的子片段上而导致的语义错位问题。其次,针对传统视觉语义嵌入方法在构建模型时仅仅考虑不同模态间的语义关系,忽略相同模态间语义关系而引起的语义错位问题,我们提出了一个对比视觉语义嵌入框架,它通过从增强的图像-图像（或文本-文本）对中进行对比学习来实现模态内语义对齐,并通过在图像-文本对上应用最难负样本的三元组损失来实现模态间语义对齐。最后,通过在大规模MSCOCO和Flickr30K数据集上的大量实验,本文将所提出的两种算法与当前最先进的方法进行比较,并得到有竞争力的结果,证明我们所提出的两种方法可以很好的提高跨模态检索的准确性。