本说明书实施例提供一种具有多模态信息的检索对象的检索方法和装置，方法包括：获取单模态的查询信息，单模态的查询信息为第一文本或第一图片；当查询信息为第一文本时，将第一文本输入生成模型，生成与第一文本包含的主体对应的图像特征；将第一文本对应的文本特征和图像特征输入图文转换器，对文本特征和图像特征进行基于自注意力的融合，输出查询信息的第一查询特征向量；根据第一查询特征向量与各检索特征向量之间的相似度，确定与查询信息相匹配的检索对象；各检索特征向量分别对应于数据库中的各检索对象，任一检索特征向量为将其对应的检索对象的多模态信息输入图文转换器得到的。能够提高检索精度。