随着智能信息化时代的到来,诸如图片,视频,文本以及音频等不同模态数据在互联网上与日俱增,这些多模态数据以不同的形式描述着生活中复杂纷繁的场景,并为彼此提供了有用的互补信息。不同模态的数据在其原始形态上呈现出明显的异质性,难以直接将它们从语义层面建立关联。因此,需要将不同模态数据映射到共有子空间并减小它们之间的差异性。跨模态表示学习旨在减小不同模态数据在特征层面的差距,建立起模态间的语义联系并扩大模态内的类别差异,进而能够将其应用到跨模态检索等多模态机器学习任务中。如今,对比损失推动着表示学习实现了飞速发展。以往的工作中,对比损失一般应用于自监督表示学习领域。由于自监督任务缺少标签,它将由锚样本进行数据增强方式得到的样本视为正样本,并默认数据集中剩下的样本为负样本。然而这些剩下的样本中极有可能出现与锚样本属于相同类别的正样本,从而造成了“假负样本”的现象。当对比损失在特征空间将正样本与“假负样本”进行对比并拉远它们之间的特征距离时,就会获得不良的特征表示。此外,以往的对比损失工作更多关注单一模态的表示学习,而较少将其应用于跨模态表示学习。针对上述两个问题,本文通过引入监督对比损失,提出了一种基于多负例监督对比机制的跨模态表示学习算法（Supervised Contrastive Cross-Modal Representation Learning,SCCMRL）,并根据此算法构建了相应的跨模态检索系统,最后结合多模态数据集验证其在跨模态检索任务上的表现。实验结果表明,SCCMRL模型的性能要优于当前主流的跨模态检索模型。具体而言,本文的研究成果如下:1.创造性地将多负例监督对比机制应用于跨模态领域中,不仅避免了自监督表示学习中的“假负样本”现象,而且还实现了跨模态表示学习。2.提出了一种基于多负例监督对比机制的跨模态表示学习算法（SCCMRL）。该算法利用编码器分别获取不同模态的特征表示,并通过监督对比损失将正样本与负样本进行对比,使得具有相同语义的数据在特征空间更加接近,具有不同语义的数据在特征空间更加疏远。此外,SCCMRL还引入了标签损失和中心损失进一步优化所学习到的特征表示。通过三种损失函数的结合,SCCMRL所学习到的跨模态表示兼具模态一致性和语义区分性。3.将SCCMRL应用于跨模态检索任务,并结合不同的多模态数据集实现了跨模态图文检索以及跨模态视听检索。