近些年来,互联网与大数据技术的快速发展,已经渗透到了社会生活的方方面面,并对社会生活产生重要影响。在教育领域,发展教育大数据已经成为推进我国数字校园建设与教育改革的重要战略选择,教育大数据成为了教育领域不可忽视的新型驱动力。互联网+社会的快速发展,使得互联网+产品不断涌现,人们不仅仅局限于从互联网上获取信息,同时也通过互联网向外界分享信息。在此基础上,网络用户不仅对信息资源的实时性提出了更高的要求,而且要求返回更加个性化与精准的搜索结果。因此,针对网络中涌现的大量文本、图像等跨媒体信息,需要深度挖掘信息中蕴含的语义,从用户真正的需求出发,提升搜索的质量以及其结果的准确性,以实现跨媒体深度语义理解的智能搜索。本文完成的工作主要包括以下四个方面:（1）在跨媒体教育大数据的获取和特征学习方面,针对现有教育领域网络平台中,数据存在着的冗余、富含噪声等问题,提出了一种跨媒体教育大数据的获取模型;针对现有跨媒体特征学习方法中,仅仅能获取全局语义信息而忽略细粒度信息的缺点,提出了一种基于双路注意力的跨媒体特征学习方法。对于跨媒体教育大数据的获取,首先构建与教育资源相关的关键词词库,然后爬取相关资源并进行清洗、以及进一步内容的提炼,最终获取到了有关教育领域的数据包含图像-文本对27000余对。针对跨媒体教育大数据的特征学习,融合深度卷积神经网络、注意力机制、循环神经网络,提出了基于双路注意力的跨媒体特征学习模型,充分学习跨媒体教育大数据的细粒度特征与上下文特征。实验表明,该模型相对于其他特征学习方法在跨媒体搜索任务上的MAP性能有明显提升。（2）在跨媒体教育大数据的深度语义相关性学习方面,针对目前跨媒体语义学习中难以跨越的语义鸿沟的关键问题,提出了 一种基于双路注意力特征的监督对抗哈希模型。基于已有的双路注意力的特征学习模型,结合生成对抗网络、语义哈希等技术,深度挖掘了不同媒体数据之间的语义关联,并将特征学习与对抗学习、哈希学习等融合在一起,构建不同媒体数据的统一语义空间。实验结果表明,本文提出的模型不仅在公共数据集上,有显著的性能提升;并且在构建的教育领域数据集上也有明显的性能提升,即在NUS-WIDE、MirFlickr25K、教育领域数据集上,MAP性能均有明显提升。（3）在基于深度语义学习的跨媒体教育大数据智能搜索方面,针对现有搜索引擎中用户查询仅仅从关键词的角度出发,并未完全理解用户的搜索意图的问题,提出了一种基于嵌入主题模型的查询语义扩展方法。将嵌入主题模型与查询语义扩展方法融合起来,对用户查询进行扩展,充分理解用户的搜索意图。此外,将语义扩展方法与深度语义学习相结合,提出了基于语义扩展和深度语义学习的跨媒体教育大数据智能搜索算法,并在公共数据集以及构建的教育领域数据集上进行了实验验证。实验结果表明,本文提出的算法,与对比算法相比,其MAP有明显的提升。（4）结合跨媒体教育大数据的获取与特征学习、跨媒体教育大数据的深度语义相关性学习,以及基于深度语义学习的跨媒体教育大数据智能搜索,这三部分的研究内容,设计并实现了基于深度语义学习的跨媒体教育大数据智能搜索系统。该系统包括三个功能模块:跨媒体教育大数据的特征学习模块、跨媒体教育大数据的深度语义相关性学习模块、基于深度语义学习的跨媒体教育大数据智能搜索模块。实现了跨媒体教育大数据的特征学习模块中对于不同模态数据的细粒度特征与上下文特征的提取的功能。实现了跨媒体教育大数据的深度语义相关性学习模块中,不同模态数据之间的深度语义相关性的学习的功能。实现了基于深度语义学习的跨媒体教育大数据智能搜索模块中,对于不同模态数据的语义扩展并进行跨媒体搜索的功能。本文实现了跨媒体教育大数据的获取和特征学习、跨媒体教育大数据的深度语义相关性学习,以及基于深度语义学习的跨媒体教育大数据智能搜索,设计并开发了一个基于深度语义学习的跨媒体教育大数据的智能搜索系统。实验和测试结果均表明该系统实现了对教育大数据的深度语义学习和智能精准搜索,设计了容易扩展的算法接口和用户友好的交互界面,对各个模块功能的运行结果进行了全面展示。