随着计算机技术的发展和互联网的普及,图像和视频等多媒体信息的获取和传播越来越方便快捷。因此,如何在浩如烟海的数据中快速准确地查到所需的多媒体数据成为信息检索领域的研究热点。本文在物体示例搜索、基于Hadoop的图像检索和网络视频中热点事件聚类三个方面进行了研究,主要工作如下：1.设计并实现了一种基于BoW模型的物体示例搜索系统。对特征提取、相似度度量、基于前背景信息的特征项加权、多查询融合以及查询扩充等方面进行了研究和改进,在TRECVID INS2013的视频数据库上进行了测试。实验结果表明,本文的方法比传统方法在检索精度上有明显提升；且在TRECVID INS2014的22个参赛队中,排名第六,验证了算法的有效性。2.针对大数据条件下图像检索效率低的问题,设计并实现了一种基于Hadoop平台的图像检索系统。利用HDFS存储图像库和线下数据文件,运用MapReduce框架对特征提取和相似度度量两大模块进行分布式计算。在标准Corel图像库的实验结果表明,在保证原有检索精度的情况下,相比单机模式,该系统在海量图像库上明显提高了图像检索的速度。3.提出了一种多模态融合的热点事件视频聚类算法。通过视频标题文本分词,引入视频的Fisher向量表示,然后分别构建三个相似度块矩阵：文本模态、视频模态以及文本与视频间的跨模态,将多模态融合的相似度矩阵和谱聚类算法结合起来,在热点事件视频数据库上进行了聚类效果的分析,实验验证了方法的有效性。