本发明公开了一种基于多模态预训练模型的组合商品检索方法及系统，其中方法包括步骤如下：将商品图像划分为单品图像和组合品图像；训练一个组合商品图像检测器；获取并结合组合商品图像中文本模态和图片模块的特征编码、位置编码和分段编码，学习嵌入表示，并输入构建好的多模态预训练模型；通过商品检测器提取的边界框和边界框特征作为图像特征，结合文本特征，输入多模态预训练模型进行自监督训练；采用多模态预训练模型提取单品图像的图片模态和文本模态的检索特征，并存放于检索库中；多模态预训练模型根据组合品图像中每个目标商品的边界框及边界框特征，提取图文融合的检索特征，计算组合品特征与检索库中单品特征的预先距离作为商品相似度，选取最相似的单品作为结果返回。