随着信息获取技术的快速发展,互联网上产生了海量的多媒体资源,在大数据时代下,这些多模态数据的管理给传统单模态检索方式带来极大的挑战。为了能够更有效地检索出用户需求内容,所以有必要研究快速且精确的跨模态检索方法。由于不同模态数据具有不同空间分布,所以存在异构鸿沟。另外,底层表示和高层语义之间也存在语义鸿沟。如何解决跨模态数据的语义鸿沟和异构鸿沟一直是亟需解决的问题。目前大多数跨模态方法都是学习一个公共表示空间,然后在这个公共空间中来解决跨模态数据的异质性。在本文中,首先基于这个思路设计一个新的跨模态检索框架。此外,这些跨模态方法可以简单地划分为两类:无监督方法和有监督方法。与其他机器学习相似,有监督跨模态方法的性能一般情况下优于无监督方法,前提是在干净的样本中训练。但是随着数据集的规模增长,构建完全干净的数据集需要的代价过于昂贵。因此如何设计一个具有鲁棒性的跨模态检索方法来解决噪声标签的影响,是第二个研究所要解决的问题。本文基于以上两点内容,进行如下简要概括:（1）跨模态检索的许多方法采用铰链损失组成的最大间距公式来约束类间判别性,但是忽略了不同模态之间相似性对类间距的影响,从而导致不同模态样本之间联系被削弱。所以本文提出自适应类间距有监督跨模态检索模型（AMRS）,在解决方案中,首先在公共空间中同时考虑模态内和模态间样本对不同类别适应性间距的影响达到增强不同类别的判别性以及增强同类异构样本的相关性。其次,通过约束成对图像文本的相似性保持模态不变性,最后在标签空间中进行语义标签判别约束。在广泛使用的基准数据集上的实验结果表明提出的方法的有效性。（2）多模态数据中存在的错误标记样本会在很大程度上弱化模型的性能。最新研究表明,随着网络模型的迭代,早期学习干净样本和记忆噪声标签数据已被证明是有噪声标签下的单模态高维分类任务的基本现象。这一现象也表明,在噪声标签下监督聚类方法存在聚类漂移。因此,本文提出一种新的有噪声标签的跨模态学习方法,称为早期学习正则化对比学习用于有噪声标签的跨模态检索框架（ELRCMR）。在解决方案中,首先采用早期学习正则化方法来防止记忆噪声标签,然后通过对比学习将多模态数据映射到公共表示空间。最后,通过使用动态系数权重来平衡聚类方法和对比方法,以防止聚类漂移并实现更强的鲁棒性。另外,通过大量实验对该方法进行了评估,结果表明所提出的方法可以解决传统解决方案中的聚类漂移问题,并在广泛使用的基准数据集上的实验验证了提出的方法。