随着计算机网络的快速发展和移动设备的普及,互联网中图像、文本、音频和视频等多模态数据的规模迅速扩大。相较于简单的单模态检索,跨模态检索能够返回与查询数据语义相关的不同模态数据。尽管这些数据具有异构属性,但是它们在语义上相互关联,相互补充,能够给用户提供有效信息最大化。因此,跨模态检索具有重要的理论意义和应用价值。哈希码凭借其低存储成本和高效的检索效率被广泛应用于跨模态检索领域,它将原始数据映射到统一的汉明空间中进行相似性度量从而实现相互检索。本文研究主要基于深度学习技术将多模态数据映射到汉明空间中,从有效融合数据标签的语义标签信息和挖掘数据的多维语义特征两个方面出发,提出了两个跨模态哈希模型,有效地提高了跨模态检索的精确率,具体的工作内容如下:（1）针对现有的绝大多数深度跨模态哈希模型基于原始的数据本身进行特征学习,忽略了数据标签附加给每个数据的独有语义信息的问题,本文提出了基于标签特征融合的跨模态哈希模型。该模型通过标签网络和特征学习网络之间的特征融合将数据标签中蕴含的语义标签信息嵌入到数据特征中。因此网络生成的数据特征可以更好地捕捉数据之间的语义相关性从而弥补语义鸿沟。同时将网络的输出端构造成哈希码分支和特征标签分支,并根据提出的特征标签损失来指导生成更具区分性的哈希码。在两个典型数据集上的实验结果表明,该模型相较于其他具有代表性的跨模态哈希模型,在检索性能上有所提高。（2）针对现有的一些模型基于数据的单维语义特征来生成哈希码,忽略了不同维度下数据所呈现的模态特定特征的问题,本文提出了基于多维度特征融合的跨模态哈希模型。该模型分别在图像网络和文本网络中构造多维融合模块来学习不同模态数据的多维语义特征,为挖掘更丰富的语义关联和构建更准确的情态关系提供了基础。因此,基于多维语义特征生成的哈希码能够更加准确地反映原始数据之间的相似性。在两个典型数据集上的实验结果表明,该模型的跨模态检索性能优于其他模型。