本发明公开一种基于分层特征聚合的图像‑文本匹配方法及系统，包括：对图像和文本经预处理后得到图像场景图和文本场景图；对图像场景图和文本场景图分别进行分层特征聚合，得到每个对象的属性及对象间的关系，以此重构得到图像模态的对象特征和文本模态的对象特征；将图像模态的对象特征和文本模态的对象特征进行多模态特征融合，将融合特征映射至公共空间，在公共空间中测量不同模态间的距离，根据距离进行图像和文本的匹配。分层聚合每个对象节点上的属性信息和对象间的关系信息，以保证对象语义的完整性，然后仅利用对象节点的特征进行特征融合，有效降低跨模态匹配的复杂性，提高算法的效率。