人类通过各种感觉，如视觉、嗅觉、味觉、听觉和触觉等，与外部环境之间的交流互动方式称作模态（又被称为单一模态），而当有两种或两种以上的感觉参与到这个互动活动中来时，就被认为是多模态[1]。单一模态在语言教育领域中，指的是教师在进行教学时，总是以文字模态教学为主，不重视其他社会符号的运用，而单一化的模态不能够很好地表达交际者的思想和实际意图，因此，要想将话语的意义清楚地表达出来，使接受者充分理解，就要发挥多模态的调节、补充和强化的作用。在语言研究的领域，话语分析最早涉及多模态的概念。西方研究人员在进行话语分析时，不再只是关注文本文字，而是对话语所涉及的字体、图像和颜色等等都纳入了研究的范围。语言领域的多模态化是一个交流活动或者交流成品中涉及的不同符号的组合体，或者是指将各种符号集合起来然后在某种特定的文本中构建意义的方法、方式的统称。多模态以语法为理论基础，然后从社会符号的角度进行语言研究，将声音、图片和颜色等副语言符号与文本这一主语言推到同等的地位，共同参与语言意义的构建[2]。1996年，New London Group第一次提出了多模态化教学的概念，这一理念将多模态在语言领域涉及的图片、声音和视频等结合起来，运用情景再现和角色扮演等等网络或实际的多渠道教学方式方法进行语言教学，从而令学生的各种感官都参与到语言的学习中来，进而引起他们学习语言的兴趣，进一步提高其听、说、读、写的能力。