本发明涉及深度学习技术领域，公开了一种深度监督与特征融合的细粒度跨媒体检索方法，包括：步骤S1.将图像数据、视频数据、文本数据和音频数据分别输入到媒体专用网络中，将四种媒体数据子网络最后一层的全连接层进行权值共享，提取对应的原始特征；步骤S2.将原始特征利用语义信息和标签信息输入进公共空间，同时媒体数据四种子网络分别连接线性分类器，根据线性分类器内的标签信息对提取到的媒体数据的原始特征进行分类；步骤S3.预设三元组损失约束条件、分类损失约束条件和判别损失约束条件上，对公共空间内媒体数据的分类特征进行度量。本发明用于在标签空间和公共的特征表示空间内最大程度地减小判别损失并学习各媒体特征的相似性。