随着互联网的发展,图像、文本、视频和音频等形式的网络数据迅速增加,人们对跨媒体检索的需求也越来越灵活。目前,跨媒体检索的研究受到了很多学者的关注,但是现有的跨媒体检索主要是聚焦在粗粒度级别的跨媒体检索,对细粒度级别的相关研究较少,无法满足实际的应用需求。而细粒度跨媒体检索作为一个新兴的研究方向,不仅面临跨媒体检索方向的媒体鸿沟问题,还需要考虑细粒度方向类间差异小,类内差异大的问题。为了解决这两个主要问题,本文针对细粒度跨媒体检索展开了深入的研究,本文的主要创新点如下:（1）针对现有跨媒体检索方法往往忽略数据的细粒度特征这一问题,本文提出了一种基于多模型的细粒度跨媒体检索方法。该方法通过为不同媒体设计各自的专用网络,并为四种媒体设计了一个公共网络,从而兼顾了不同媒体的专有特征以及公共特征。基于该模型,可以在学习媒体专有属性的同时学习不同媒体间的相关性,从而有效地提升了跨媒体检索的准确率。（2）针对现有的大部分细粒度跨媒体检索方法往往忽略文本所表达语义信息的问题,本文提出了一种基于深度监督与特征融合的细粒度跨媒体检索方法。该方法通过深度监督网络,在标签空间和公共空间内,利用数据的标签信息和语义信息来学习不同媒体特征间的相关性,并最大程度地减小分类损失、判别损失和三元组损失,从而在保留不同语义类别样本差异性的同时消除媒体鸿沟。此外该方法还将标签特征和语义特征相结合来进行相似性度量,进一步提升了跨媒体检索的性能。（3）针对细粒度特征难以准确提取的问题,本文提出了一种基于注意力机制与模态依赖的细粒度跨媒体检索方法。该方法引入了注意力机制,并依赖图像数据作为中间媒介,从而深入挖掘同一媒体数据内和不同媒体数据间的潜在关系。此外该方法还提出了基于关键帧的视频去噪方法,通过样本选择的方法获得干净的数据集,提升了跨媒体检索的准确率。