随着生活中数据的量以及种类的增多,用户的检索需求呈现出由单模态到跨模态的变化趋势,跨模态图文检索任务成为研究的前沿和热点,即当用户输入一个模态（图像或句子）的数据作为查询时,需从另一个模态的数据中检索出最相似的样本。该任务的核心问题是如何更精准的表征图像和文本特征以及如何更有效的衡量图文之间的语义相似度。本文针对跨模态图文检索中的特征表征（对齐）和检索模型进行深入研究,提出一种基于特征增强的跨模态图文检索模型。该模型不仅可以精准地捕获图像和句子中的深度语义信息,还可以有效挖掘图像和文本中片段级别的对应关系,提高图文检索的准确率。本文主要研究内容和创新如下:1.针对当前图像表示中存在非语义信息会影响双模态特征对齐的问题,本文设计了一种图像特征处理模块,称为多头选择注意力模块,来获得更加精准的视觉特征信息。该模块首先通过多头自注意力机制赋予注意力层多个子空间表示,获得丰富的图像特征。接着使用空间注意力和通道注意力对多头自注意力机制输出特征中的冗余信息进行过滤,抑制其中无用的信息,如背景噪声等,让模型更关注于图像中的重要信息。实验结果表明,引入该模块有效增强了模型对极为相似图像之间的辨别能力,提高了模型Recall@1的值。2.针对较长句子级别的文本嵌入向量容易受到距离当前词嵌入向量较近的独有单词的影响而丢失中心词信息,生成偏离文本主题的句子特征的问题,本文设计了一种文本特征处理模块,称为关键词增强模块,来充分全面的学习文本特征。该模块通过Transformer Encoder对每个文本词嵌入向量做权重处理,更关注于文本的主题信息,然后由此对GRU生成的文本特征向量进行补充,最终获得融合深层主题信息的文本特征。实验结果表明,引入该模块后,可以显著提高检索模型的抗干扰性,当检索的数据量增大时,检索性能保持基本稳定。3.针对跨模态图像文本共同表示建模时因太过粗糙而导致难以有效挖掘不同模态的一致性部分的问题,本文设计了一种基于图数据结构的跨模态相关性匹配模块。首先使用图数据结构对图像和文本提取片段级别的表征,分别构建视觉图和文本图。接着为了进一步挖掘图像和文本中片段级别的对应关系,引入图匹配方法计算视觉图和文本图的相似度,实现对两种模态之间特征的精准匹配。实验结果表明,与本文基线模型的Recall@1相比,在数据集Flickr30K上,文本检索提高了5%,图像检索提高了5.1%。在MSCOCO上,文本检索提高了2.5%,图像检索提高了2.8%,证明了本文方法的有效性。