互联网技术的快速发展和普及,引发了文本、图像、音频和视频等多模态数据的指数式增长,给数据存储和查询带来很大的挑战。多模态数据的主要特点是种类多、杂糅性强,难以对其进行有效地管理和利用,这也制约了进一步从中挖掘数据潜在价值。因此,本文研究的是通过深度学习、存储优化等技术,实现基于内容相似性查询的视频文本存储机制。主要面临的挑战是:视频与文本数据之间的差异性巨大,且存在语义鸿沟,导致相关有效查询的难度增加。这也导致传统关系型数据库系统难以对视频、文本等跨模态数据进行有效管理,亦无法在跨模态数据之间建立以内容相似性为标准的关联关系。本文利用深度神经网络构建了视频文本跨模态查询模型VTCRH,其分别提取视频和文本的语义特征,实现视频文本的跨模态存储与查询任务。具体而言,首先,在离线状态下,将存储的视频、文本数据输入本文设计的哈希网络中,经过特征提取、哈希映射,得到对应的哈希码;然后,哈希码输入到Neo4j图数据库中,以哈希码为节点、哈希码之间的汉明距离为边上权值,构建哈希图谱,提供哈希查询基础;最后,在线阶段,实时接收、处理新的文本或视频数据得到对应哈希码,在哈希图谱中依据查询半径进行查询,并从底层存储系统中返回查询目标文件,从而完成基于内容相似性的跨模态视频文本查询任务。VTCRH模型在MSR-VTT、MSVD和TGIF等三个公开数据集上进行了相关测试,结果表明,VTCRH模型能够兼容于存储系统中,以较小的时间和存储代价提取视频文本数据的内容特征,从而完成跨模态内容查询的任务。通过对Neo4j数据库中哈希图谱的优化设计,降低了数据的存储开销以及节点的通信开销,提高了系统的查询效率。