自從2010年以來，深度學習技術對語音，語言，視覺等子領域的推動，在語言和視覺跨模態(tài)交叉學科領域我們也取得了很多激動人心的進展，包括跨語言與圖像的理解、推理和生成。多模態(tài)智能旨在融合多種模態(tài)的信息進行處理實現智能應用，在5G時代將會是重要的熱點技術之一。最近IEEE Fellow何曉東和鄧力等作者撰寫關于多模態(tài)智能的綜述論文《Multimodal Intelligence: Representation Learning, Information Fusion, and Applications》，詳述了多模態(tài)智能研究進展，涵蓋259篇參考文獻，本文從學習多模態(tài)表示、多模態(tài)信號在不同層次上的融合以及多模態(tài)應用三個新角度對多模態(tài)深度學習的最新研究成果進行了綜合分析。