隐喻作为一种修辞方式，是人类认知世界、表达言语、情感交流的重要载体。隐喻不仅仅存在于语言本体中，还存在于声音、图像、手势等非言语的表征中。[1]鉴于此，荷兰语言学家Forceville从认知语言学角度出发，结合传播学、符号学等，提出了多模态隐喻理论。他将“模态”看作一种利用具体感知过程来阐释意义的符号系统。为了方便研究，将其划分为九种类型，包括图像、口头符号、书面符号、声音、音乐、手势、气味、味道和接触等。在此基础上，Forceville又进一步把“模态”界定为“单模态隐喻”和“多模态隐喻”。其中，“单模态隐喻”是指只通过或主要通过单一模态，在源域或目标域中建构隐喻，而“多模态隐喻”则是指在源域或目标域中分别通过或主要通过不同的模态来表征的隐喻。[2]多模态隐喻通常又划分两种模式，一种是以静态图像、书面符号等介质为代表的静态多模态隐喻，另一种是以声音、动态图像、手势等超文本媒介为表征的动态多模态隐喻。同隐喻一致，转喻也是人类认知机制的基础，与隐喻有许多相通之处。转喻是源域和目标域之间次级概念的邻近投射，结合了视听等不同模态来突显源域，实现各自的语篇意义。

当前，国内外关于多模态隐喻和转喻的研究，按照语类划分，大多集中在不同语类间的多模态隐喻互动机制以及差别性特征、运作机制和表征方式等。国外多模态领域的研究最早始于Barthes（1977）在《图像的修辞》中论述了图像在表达意义和语言之间的相互作用。……