图像检索任务一直都是信息技术各领域的研究热点。传统的图像检索系统主要是基于单一模态的查询条件进行检索的,例如使用单一的文本或者图像来表达检索意图。但是在很多情况下,只使用单一模态的查询条件无法充分表达用户的检索需求,由此,基于多模态查询的图像检索这一新兴任务应运而生。相比于传统的图像检索任务,基于多模态查询的图像检索的查询条件为多模态形式的,其设定为包括一张参考图像以及一段修改文本。用户可通过修改文本对参考图像进行一定程度的修改,从而更加方便准确地进行目标图像的检索。该任务具有广阔的应用前景,目前最具潜力的是在时尚领域内的应用。因此,在本文中,我们以时尚领域为例对该任务展开研究。基于多模态查询的图像检索任务的关键在于对参考图像和修改文本进行高效的多模态组合,进而进行目标图像的检索。现有的先驱工作关注于只利用参考图像的局部特征或全局特征进行多模态组合,虽然也取得了一定的成果,但是他们忽略了修改文本中的修改要求是十分多样的,包括具体的属性修改（如将袖子改为长袖等）,以及抽象的视觉特性修改（如更加高雅的上衣等）。本文认为对于具体的属性修改,利用参考图像的局部特征进行多模态组合更加合适。而对于抽象的视觉特性修改,则使用参考图像的全局特征进行多模态组合会取得更优的结果。现有的工作只利用局部特征或全局特征无法处理该任务中修改文本所包含的多样的修改需求,因而会导致次优的结果。据此,本文提出了一种综合利用局部和全局特征进行多模态查询的图像检索模型（模型简称为CLVC-Net）,用以解决基于多模态查询的图像检索任务。本文所设计的CLVC-Net模型的核心组件为两个多模态组合模块,分别为细粒度局部多模态组合模块,以及细粒度全局多模态组合模块,致力于分别从局部和全局的角度对参考图像与修改文本进行多模态组合。具体地,每个模块内部首先设计了注意力机制进行细粒度的图像与文本的语义对齐,之后使用基于仿射变换的多模态组合操作得到多模态组合特征。此外,我们还设计了互学习增强模块,促使两个多模态组合模块之间相互蒸馏知识,彼此促进模型的效果。我们在三个真实世界的时尚数据集上进行了充分的实验,实验结果证明了本文所提方法的可行性与有效性。