随着互联网技术的飞速发展,网络资源日益丰富,网络信息的存储形式也更加多样化,从文本数据到图像、音频、视频以及3D模型等。这些海量数据在给人们带来丰富信息的同时,也为人们快速查询所需信息带来了压力。因此,如何实现不同模态媒体数据之间准确有效的相互检索,已经成为需要迫切解决的问题。由于不同类型数据的特征表示方式不同,其在原始空间中的数据维度也不同,不能直接进行相互检索。因此,如何充分理解不同类型媒体数据的语义信息,建立异构数据之间的相关性,并深入挖掘媒体数据在底层空间中的分布信息,进而将异构媒体数据转化为同构数据进行相似度测量,成为跨媒体检索问题的关键。本文以不同的检索任务作为切入点,综合分析了不同媒体数据之间的相关性和语义信息,提出了两种跨模态检索算法,并分别在不同的数据集上进行实验,验证了所提方法的有效性。本文的主要研究工作如下:(1)提出一种基于查询模态与半监督正则化的跨媒体检索算法(Cross-media Retrieval based on Query Modality and Semi-supervised Regularization,QMSR)。该方法从不同的检索任务出发,将不同模态数据之间的相关性,查询模态的语义信息及其在原始特征空间中的分布信息整合起来学习不同的映射矩阵,使得对查询对象的理解更加准确。(2)提出一种基于模态独立与半监督字典学习的跨媒体检索算法(Modality-Dependent and Semi-supervised Coupled Dictionary Learning for Cross-media Retrieval,MDSCDL)。该算法整合了字典学习与特征映射两个过程。在字典学习过程中,将原始数据的分布信息转化到所对应的稀疏系数中。在特征映射过程中,基于不同的检索任务,利用稀疏表示整合数据的相关性和语义信息,进而使得学习的映射矩阵更具针对性。