本书内容循序渐进、脉络清晰，开篇先讲解多模态机器学习基础概念、行业发展脉络与多元化应用场景，帮助读者快速建立领域整体认知。全书主体分为理论与应用两大板块：理论板块聚焦多模态底层核心技术，详解文本、语音、图像、视频四类主流单模态数据的特征提取技术，同时深入剖析多模态表示学习、模态融合两大关键核心技术，夯实读者理论根基；应用板块面向真实工业场景，围绕图像文本检索、多模态摘要生成、多模态对话系统等热门落地方向展开讲解，全面综述各场景下经典公开数据集、主流算法模型与技术优劣。