近年来,多媒体数据呈爆炸式增长且以不同形态呈现在互联网中,多媒体数据的关联分析和处理已成为重要研究课题。其中,跨模态检索技术更是受到工业界和学术界的广泛关注。与传统单模态信息检索技术不同,跨模态检索通常使用任意模态的查询数据检索来自其它模态语义相关的实例。然而,不同模态数据通常存在于不同的特征空间且底层特征和高层语义之间难以关联,这就导致了跨模态检索任务中的基本挑战:如何对齐底层“异构表征”及桥接高层“语义鸿沟”。除此之外,在实际应用中,多媒体数据往往呈现出多而杂的特性,这也衍生出一系列数据标注困难、数据缺失及检索效率低下等问题。因此本文在关注跨模态检索技术中基本问题的同时,还在数据自动标注、缺失数据补齐及检索效率提升等方面进行了相关研究。具体研究内容概括如下:1、针对跨模态检索中异构表征及语义鸿沟问题,本文提出了一种基于多类别联合子空间学习的跨模态检索算法。鉴于现有跨模态检索算法普遍忽略了不同类别的语义分布差异,本算法提出针对特定任务和特定类别学习特定的投影矩阵,并通过一种联合学习策略,尽可能区分语义分布差异的同时充分挖掘类间语义重叠信息。在检索阶段,结合具体样例通过一个预训练的线性分类器自适应地关联最优投影矩阵,从而将多模态数据映射到潜在语义子空间进行相似度测量并返回最终检索结果。2、针对数据缺失及数据标注问题,本文提出了一种基于虚拟数据生成的半监督跨模态检索算法。该算法提出了一种基于聚类中心的虚拟数据重构方法,可有效补齐缺失数据,从而构建完整的训练数据。此外,建立了聚类中心与未标记样本的关系映射表,作为标记预测的基本准则。最后,将语义关联分析、相关性分析及特征选择整合在一个联合的跨模态检索框架中进行子空间学习。3、为了进一步提升半监督算法的学习效率及准确性,本文还提出了一种自适应的半监督特征选择跨模态检索算法。由于传统半监督算法往往忽略标记预测与子空间学习之间的动态优化关系,大大降低了半监督检索算法在跨模态检索任务中的性能。因此,本算法提出为不同查询模态数据定义特定的语义关联的图正则化项,不仅将标记预测及子空间学习融合为一个统一的动态学习框架;还有效保持了数据原有语义和结构特性,进一步确保了特定任务上标记预测的准确性,从而大大提升了半监督跨模态检索算法的性能。4、为了解决大数据背景下检索速度和存储空间的问题,本文提出了一种基于继承映射的跨模态哈希检索算法。本算法首先以线性映射的方式进行异构信息嵌入,同时提出一种继承映射的概念保证异构关联信息从原始特征空间到哈希空间的继承。除此之外,本算法还引入仅具有线性复杂度的超图模型,进一步挖掘了数据在原始特征空间的结构关系,从而使得学到的统一哈希码具有更丰富的原始关联信息。