自20世纪50年代起,语篇分析经历了半个多世纪的发展,已经发展成为一个比较成熟的学科。该学科的研究,主要集中于理想语篇的语言研究。但是,随着新媒体的发展壮大,网络时代的来临,语篇已脱离了之前单一书面、口语的形式,发展成由图片、文字、声音等多种模态系统共存的多模态语篇。单一的语言研究,已经不能全面地解释语篇的产生与理解机制。因此,多模态语篇研究,作为一个全新的研究视角,得到了越来越多的关注。现阶段大部分研究集中在多模态语篇分析理论的完善,与实例应用中,而涉及模态间关系的研究还比较少。但由于模态间的协同作用是建构多模态语篇产生与理解机制的重要基础,所以模态间的协同作用的研究就成了当务之急。该研究以中央新闻电视台人物专访节目《面对面》中的五期节目为例,通过软件Praat与Sony Vegas,对多模态语篇进行全面的转录。其中,用软件Praat转录听觉模态的声音特征与语言符号系统；使用Sony Vegas转录视频中的图片流。然后,以韩礼德的系统功能语法为基础,对语篇的听觉模态进行分析；以视觉语法设计为理论背景,分析视频中图片的三大意义。最后,从三大元功能的实现视角,观察视觉与听觉模态间的关系。通过分析近年来国内外多模态语篇研究的现状,作者在广义与狭义上对多模态语篇进行了细致的界定与分析。并以视听模态为例,从概念功能、人际功能与语篇功能三个层次上,探究模态协同作用。研究表明,模态在概念功能上,主要呈现出互补与非互补协同关系,前者又包含强化与非强化两种关系,后者分为蕴含与交互两种关系；在人际功能层次上,体现了模态间整体的互补强化协同作用；语篇功能上的模态协同作用与概念功能类似,也分为互补强化、互补非强化、非互补蕴含、非互补交互四大类。本文虽然对多模态语篇的模态协同关系进行了研究,但仍有不足之处。由于研究对象为视频材料,所以研究中仅就听觉与视觉模态之间的关系进行探讨,无法证实分类的普适性,希望今后的研究能够在其他模态方面有所突破。