随着当今网络技术的成熟,互联网用户活跃于网络社交的同时产生了大量不同模态的多媒体数据(如图像、文本、语音、视频等),促进了与多媒体相关研究的发展,跨模态检索技术即是其中研究热点之一。跨模态检索是指图像、文本、音频等多模态数据之间的相互检索,如何度量多模态数据之间的相关性是该领域的研究难点。在公共子空间学习的基础上,本文利用极限学习机方法提高跨模态检索精度,挖掘更深层次的数据特征并最大化不同模态间的相关性,使得学习到的共享子空间更加具有判别性;同时提出通过深度卷积生成对抗网络实现跨模态检索,利用无标签样本进一步挖掘不同模态数据关联性,提升跨模态检索的性能。主要工作及创新点如下:1.提出基于极限学习机的跨模态检索方法。该方法通过单层神经网络计算语义之间的距离衡量相似度,在此基础上引入分类标签,使用有监督学习的方法提高模型自主学习能力,具有较好的泛化性能,能够自主学习到更具判别性的投影子空间。经在公开数据集的实验对比表明,本方法的跨检索准确率有所提升。2.提出基于深度卷积生成对抗网络的跨模态检索方法。该方法基于深度卷积生成对抗网络,融合深度典型相关分析方法,有效地提高了跨模态检索过程中不同模态数据关联性和无标签样本的利用率。在图像与文本两个单模态的表示层间增加深度典型相关分析约束,构建图文特征投影模型挖掘样本对的语义关联性;在此基础上,以DCGAN作为整个模型基本框架,利用无标签样本进行训练。同时,以图文特征投影模型作为生成器,以卷积神经网络建立模态特征分类器作为判别器;最后通过二者之间的相互对抗学习到样本的公共子空间表示。在公开数据集与其他主流方法进行对比实验,表明本方法获得了较优的性能。通过对现有跨模态检索方法的实验与对比,选用本文提出的基于深度卷积生成对抗网络的跨模态检索方法设计并实现了图文跨模态检索系统。该系统具有图像与文本互相检索的功能,提高了检索结果的准确率,满足了用户对于信息检索方式多样化的需要。