网络信息技术的兴起与发展使得大量的数据充斥在人们的日常生活中,且这些数据以多种不同的媒体形式存在。面对这些形式多样且数量巨大的数据内容,如何在这些数据中寻求它们彼此之间的关联是目前跨媒体检索研究领域亟需解决的问题和面临的巨大挑战。在跨媒体检索研究中,本文的研究重点是实现文本和图像的相互检索,设计了基于深度卷积神经网络VGGNet的跨媒体检索方法。本文的工作主要包括:(1)简要概述跨媒体数据的基本特点,对常见的跨媒体检索方法进行总结,分析己有的各种检索方法特点。(2)提出将深度卷积神经网络结构融入到跨媒体检索研究中,采用在ImageNet数据集上预训练过(pretrained)的VGGNet作为图像的特征提取器,用于提取目标数据集中图像的深度视觉特征,同时使用传统的LDA模型获取目标数据集中文本的潜在主题概率分布特征,这样就得到两个异构的底层特征空间,然后结合多类逻辑回归模型将其映射到同构的高层语义空间中,进而在该空间中利用中心相关性度量方法来计算图像与文本之间的相似度,按照相似度的大小来进行检索,最后用mAP评估实验结果。实验结果证明,深度视觉特征比传统视觉特征具有更强的图像内容表征能力,能够更加有效地提升检索效率。(3)在前一种方法的研究基础之上,为了能够更好的表征目标数据集的图像内容,提出对VGGNet进行微调(fine-tuning),同时针对深度视觉特征的特点,提出了一种改进的正则化算法。这个正则化体现在两方面,一是在目标数据集上微调卷积神经网络时,利用正则化来减弱过拟合现象;二是由于文本特征具有较强的语义判别能力,而图像视觉特征的分布特性杂乱,利用图像视觉特征与文本特征在高层语义上的对应关系,同时基于深度视觉特征的特点,在高层语义空间中使用文本语义特征对图像语义特征进行整体的正则化,有效的提高图像视觉特征的语义表征能力,实验表明该改进的方法能够更好的提升检索效率。