图像和文本作为信息表示、存储和传播的两大重要媒介,在日常生产和生活中扮演着重要角色。近年来,计算机技术和人工智能的发展加剧了人们对机器感知和推理的需求,特别是对于图像和文本两种数据的理解与匹配,这极大吸引了国内外众多研究者的研究兴趣。作为信息检索和多媒体计算领域的基础性和关键性任务,图文检索任务不仅能有效打破视觉和语言之间的语义鸿沟和分布壁垒,还能促进许多上层应用的发展（如:跨模态检索、图像标注、视觉问答）,因而具有广泛的、深刻的研究意义。图文检索任务聚焦于图像和文本间的相互检索,其发展面临诸多挑战,其中最具代表性的两个挑战为:模态内关系的推理和模态间语义的对齐。前者要求准确地识别模态内部实体间的关系,如“小男孩旁边有一个红色的雪橇”;后者要求对齐不同模态中的语义实体。近年来,针对上述挑战,该领域涌现了众多研究,其大致分为三个类别:基于模态内交互、基于模态间交互和基于混合模态交互。虽然这些方法取得不错的实验效果,但仍存在两个问题:首先,这些方法的模态交互模式是手工设计的,严重依赖于专家经验和实验反馈,这可能导致最优的模态交互模式未被探索到;另外,这些方法均属于静态方法,即所有的数据样本都经过相同且固定的计算流,这会导致计算资源的浪费。为解决上述两个难题,本文提出了一种基于动态模态交互建模的统一化模型,简称为DIME。目前为止,这是用动态机制自动学习交互模式解决图文检索任务的第一个工作,具有较强的开创性和实用性。首先,为完成不同的交互,本学位论文设计了四种不同类型的交互模块:1)整流恒等模块,赋予网络恒等非线性的变换能力;2)模态内推理模块,捕捉上下文信息和语义关系;3)整体-局部引导模块,使用全局语境信息对局部线索的捕捉和建模加以引导,以便对齐不同粒度的跨模态信息;4)模态间精炼模块,通过详尽的跨模态局部语义概念之间的交互构建关键细节信息之间的匹配。此外,本文提出一种稠密连接策略,对这四种模块在宽度和深度两个维度进行连接,进而构成一个完整的路径空间。同时,本文在每个模块内部配置动态路由器,来帮助模型动态地生成依赖于数据的路径。最后,结合语义一致性正则化项和三元组排序损失,本文从对称的两个方向对模型进行端到端的优化。本文在两个基准数据集Flickr30K和MS-COCO上进行了充分的实验,实验结果充分验证了该方法的有效性和先进性。