近年来,随着互联网大数据的发展,各种形式的多媒体数据（图像、文本、视频、音频等）呈现出爆炸式的增长。而对大规模多媒体数据精准、有效的检索也随之成为一个新的研究热点和难点。多媒体检索的任务目标是实现以一种数据类型作为查询来检索得到本类型或其他类型的相关数据。例如,用户可以使用文本检索相关的图片或视频。本文针对大规模多媒体检索的重点和难点问题进行研究,深入探索了大规模多媒体检索已有方法存在的一些问题及其解决方案,提出了一系列更加先进的方法来提高检索准确率,从而实现对多媒体数据更加高效、精准的检索。这些方法可分为单模态和跨模态两类。1)本文中的单模态检索主要是对图像样本的研究,它的任务是从海量的图像数据库中利用近似最近邻搜索的方法检索出与目标图像相似的图像。针对此场景,本文提出了一种新的无监督哈希方法:双向离散矩阵分解哈希（BDMFH）。它由两个交替进行的过程组成:a)从数据种学习得到二进制码;b)利用二进制码恢复原始数据。本文设计了逆因子分解模型,使学习到的二进制码可以从原始的可视数据中有效地继承固有结构。在三个大规模基准数据集上的综合实验结果表明,该算法不仅具有较好的性能,而且具有较好的计算效率。2)跨模态检索旨在实现跨不同多媒体类型的灵活检索。跨模态检索的核心是学习不同模态的投影,并使学习到的共同子空间中的实例具有可比性。由于想要查询或检索得到的结果可能是以不同的多媒体形式呈现的,所以如何度量不同媒体类型数据之间的内容相似性是一个极大的挑战,而研究人员提出的各种方法也都围绕这个研究难点进行探索。本文提出了两种基于对抗学习的跨模态检索方法:自监督对抗学习（SSAL）和类别对齐对抗学习（CAAL）。SSAL采用自监督学习和对抗学习的方法寻找有效的公共子空间。CAAL的学习目的是寻找一个由类别信息监督的共同表示空间,在这个空间中可以直接比较来自不同模态的样本。在多个广泛使用的基准数据集上的综合实验结果表明,所提出的基于对抗学习的两种方法具有较好的跨模态检索性能,显著优于现有的跨模态检索方法。