多模态检索是指使用多种类型的数据或模态 (例如文本、图像、音频或视频) 来改进搜索结果的信息检索。通过组合不同形式的数据，多模态检索系统可以根据可用数据的丰富性提供更全面和相关的结果。
例如，在多媒体搜索系统中，用户可以提交图像和文本查询，并且系统检索与视觉内容和文本两者匹配的文档或图像。多模态检索是通过图像识别，自然语言处理和音频分析等技术实现的，所有这些技术都在统一的搜索引擎中一起工作。
这种技术在视频搜索等场景中很有价值，其中视觉和文本信息都很重要，或者在电子商务中，通常使用图像和描述来搜索产品。