在大数据时代，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，多模态数据的异构性、低质性和不均衡性为深度融合特征学习的设计提出了巨大挑战。卷积神经网络利用数据的时间和空间信息，压缩特征维度，构建数据有效的深层特征，有助于多模态数据语义的挖掘。基于此，耦合卷积神经网络和多模态数据的上述特点，本项目开展面向多模态数据特征学习的深度卷积计算模型研究，包括：①针对数据模态间的异构性，研究张量深度卷积计算模型，利用张量融合模态信息，扩展前向反向计算规则，提取多模态数据深度融合特征；②针对数据固有的低质性，研究模糊深度卷积计算模型，利用模糊参数扩展张量卷积计算模型，学习低质数据鲁棒性特征；③针对数据模态间模态内的不均衡性，研究概率深度卷积计算模型，利用概率张量卷积核与多点乘积，弥补模态间的语义偏差，拟合数据均衡模式。
