大数据时代多源、异构等多模态数据广泛存在，通过模态间互补学习挖掘数据中隐藏的价 值具有重要意义。然而多模态数据的不精确、不完整和不均衡等低质特性为融合方法的设计提 出了巨大挑战。深度神经网络能够通过多层非线性转换，学习数据的深层抽象特征，促进相似 语义融合。基于此，耦合深度神经网络和多模态数据的上述特点，本项目研究以下三个问题： （1）不精确多模态数据深度相关融合，通过深度神经网络的降噪和特征抽象，及模态私有特 征和共享特征的耦合优化，提高融合表示的精度；（2）不完整多模态数据深度匹配融合，利 用深度网络的深层特征整合特性，联合优化模态深度匹配网络和共享特征，提取更加准确的融 合结果；（3）不均衡多模态数据深度迁移融合，通过跨模态特征多层相关匹配，有效弥补不 均衡模态间的语义偏差，提升迁移融合特征的相关性。实现低质多模态数据的深度融合与特征 提取，提高数据分类与预测的准确性。
