人類通過各種感覺，如視覺、嗅覺、味覺、聽覺和觸覺等，與外部環境之間的交流互動方式稱作模態（又被稱為單一模態），而當有兩種或兩種以上的感覺參與到這個互動活動中來時，就被認為是多模態[1]。單一模態在語言教育領域中，指的是教師在進行教學時，總是以文字模態教學為主，不重視其他社會符號的運用，而單一化的模態不能夠很好地表達交際者的思想和實際意圖，因此，要想將話語的意義清楚地表達出來，使接受者充分理解，就要發揮多模態的調節、補充和強化的作用。在語言研究的領域，話語分析最早涉及多模態的概念。西方研究人員在進行話語分析時，不再只是關注文本文字，而是對話語所涉及的字體、圖像和顏色等等都納入了研究的范圍。語言領域的多模態化是一個交流活動或者交流成品中涉及的不同符號的組合體，或者是指將各種符號集合起來然后在某種特定的文本中構建意義的方法、方式的統稱。多模態以語法為理論基礎，然后從社會符號的角度進行語言研究，將聲音、圖片和顏色等副語言符號與文本這一主語言推到同等的地位，共同參與語言意義的構建[2]。1996年，New London Group第一次提出了多模態化教學的概念，這一理念將多模態在語言領域涉及的圖片、聲音和視頻等結合起來，運用情景再現和角色扮演等等網絡或實際的多渠道教學方式方法進行語言教學，從而令學生的各種感官都參與到語言的學習中來，進而引起他們學習語言的興趣，進一步提高其聽、說、讀、寫的能力。