随着社交平台（例如，微博、Twitter、Facebook等）的兴起，信息分享变得更加便利，多媒体信息呈现出爆炸式的增长，整个互联网不再只有文本信息，而是文本、图像、音频、视频等多样化的信息共存，这为传统的信息检索技术提出了新的要求，单纯的文本检索已经不能满足用户日益复杂的信息检索需求。多模态信息间的交叉检索，如输入一幅图像检索与之相关的文本，或者输入一段文字，检索与之最匹配的图像，成为学术界关注的热点问题之一。　　多模态信息交叉检索中的核心问题是对不同模态数据的建模，从根本上来说是多模态数据的特征表示问题。稀疏编码是一种有效的数据特征表示方法，但是当查询数据和被检索数据来自不同模态时，数据间存在分布差异，相似的特征可能被编码为差异显著的稀疏表示，此时传统稀疏编码便不再适用。为此，本文改进了传统稀疏编码算法，采用最大均值差异(MMD)以及图拉普拉斯，并将二者加入到稀疏编码的目标函数中来充分利用多模态信息进行编码，模型求解采用特征符号搜索算法逐个更新稀疏编码系数。本文的主要工作如下;　　(1)本文指出多模态信息交叉检索中的核心问题是对不同模态数据的建模，即根本上是多模态数据的特征表示问题，然后采用稀疏编码进行多模态数据的特征表示。　　(2)传统稀疏编码中过完备的字典集和独立的编码过程丢失了原始特征的相似性信息，使得相似的特征却得到不同的稀疏表示。为了解决这个问题，本文采用图拉普拉斯的策略，通过引入图拉普拉斯到传统稀疏编码来保留相同模态数据的相似性信息。　　(3)多模态的交叉检索中，查询项和被检索项来自不同的分布，具有很大的分布差异，使得稀疏编码不稳定。为了解决这个问题，本文采用最大均值差异项并将其添加至稀疏编码目标函数来衡量不同模态的分布差异，然后得到本文最终的目标函数，最后分别采用特征符号搜索算法和拉格朗日对偶算法进行稀疏系数和字典的迭代更新并获得多模态数据的稀疏表示。　　(4)利用得到的稀疏表示进行交叉检索实验。实验分为采用图像查询检索文本和采用文本查询检索图像两个部分，并分别与利用传统稀疏编码过程编码得到的稀疏表示进行交叉检索实验得到的结果进行对比，采用MAP值比较，验证了本文算法的有效性。