本发明提供了一种基于多模态查询的图像检索方法、系统、介质及设备，对参考图像、目标图像和修改文本进行编码，得到图像和文本的局部和全局中间表示；图像和文本的局部中间表示进行细粒度局部组合，图像和文本的全局中间表示经过细粒度全局组合，将局部网络和全局网络进行互学习增强，将局部和全局的参考图像修改表示进行融合，局部和全局的目标图像表示进行相似的融合操作，根据融合之后二者的相似度为依据检索到对应的目标图像，有助于提高图像检索的准确性。