本申请公开了一种跨模态图文匹配训练方法及装置、存储介质、电子设备，该方法包括将待训练图像输入至图像编码器，由图像编码器对待训练图像进行编码，得到待训练图像的图像向量特征；将待训练图像的图像内容的描述作为文本输入文本编码器，文本编码器对文本进行分词，将文本转换成token向量，将token向量进行基于transformer的文本编码处理，得到编码为与图像向量特征的维度相同的文本向量特征；训练达到所选取的样本数后，图像编码器和文本编码器分别对图像向量特征和文本向量特征进行模态交互，利用反向梯度更新图像编码器和文本编码器模型参数。本申请支持更精确和个性化方式进行图文匹配联合检索。