随着互联网信息技术的发展,多媒体数据迅猛增长。针对海量的多媒体数据,如何实现不同模态数据之间的快速检索成为信息检索领域一个具有挑战性的问题。跨模态哈希(Cross-modal Hashing)方法和跨模态量化(Cross-modal Quantization)方法将异构的多模态数据投影到同构的编码空间中,将高维的数据特征转化成紧凑的二值编码,具有检索速度快和存储空间小等优势,引起了研究人员广泛的关注。此外,标签信息(Label Information)是多模态数据的重要特征,通常用来构建不同模态间的语义关系。当前的跨模态方法大多在编码空间中保存模态内(Intra-Modal)和模态间(Inter-Modal)的相似性,而忽略了编码的判别性。本文结合标签信息分别对跨模态哈希和跨模态量化开展了研究,主要内容如下:1.提出基于判别离散哈希的跨模态检索算法。首先利用线性分类器,将哈希编码看作标签信息分类的结果,然后分别学习多模态数据从原始特征空间到编码空间的线性映射作为哈希函数。在编码的学习过程中,保留各模态原始特征的局部相似性,并使用Laplace矩阵来表示。最后,通过特定模态的哈希函数将不同模态的特征转化为相同的哈希编码。在Wiki和NUS-WIDE两个公开数据集上的实验结果验证了该算法的有效性。2.提出基于判别关联量化的跨模态检索算法。首先利用标签分类分别学习不同模态的特定类别特征,同时学习映射函数将多模态数据嵌入到公共的类别空间,最后将不同模态下特定的类别特征用统一的量化码本和量化编码表示。在MIRFlickr和NUS-WIDE两个公开数据集上的实验结果验证了该算法的有效性。