多模态隐喻和多模态转喻是近年来语言学新兴的事物，其研究缘于认知语言学对于纯语言学范畴内的隐喻和转喻研究不够深入。此外，随着学科的交叉发展和多种模态在交际中起着越来越重要的作用，多模态语篇成为研究的趋势，因此，全面的隐喻和转喻研究不仅包括语言模态的隐喻和转喻，还要涵盖非语言模态的图像、声音、动作的隐喻和转喻，即多模态隐喻和多模态转喻。国内外的许多专家涉及此方面的研究，其代表人物为Forceville，他把多模态隐喻定义为“源域和目标域分别用或主要用不同模态呈现的隐喻”，并将模态与人的五种感觉联系起来，把模态分为五种类型，分别是视觉（图画）模态、听觉（音波）模态、触觉模态、嗅觉模态和味觉模态。不同于语言隐喻，多模态隐喻具有动态叙事性、鲜活性和映射的普遍性等特点。 在研究多模态隐喻的同时， Forceville也注意到了转喻的重要作用及隐喻和转喻之间的相互关系。学界对多模态转喻没有具体的定义，参照隐喻和多模态隐喻的定义，多模态转喻可被定义为源域通过视觉、声音等两种或两种以上的模态得以构建，进而启动同属一个认知域的目标域,在大部分情况下，其中的一个模态是语言模态。与多模态隐喻相比，多模态转喻的研究较少，但是根据Waugh关于口语和肢体语言的研究发现，无论隐喻是否存在，转喻都一定存在，并且转喻是隐喻构建意义的必要前提这一发现说明多模态隐喻和多模态转喻具有密切关系，多模态转喻扩展并丰富多模态隐喻的意义，使抽象的隐喻目标域具象化，帮助其识别和解读。但是两者又有区别：隐喻基于相似性跨域的映射，而转喻基于同域范围内的相邻性映射。但是，不管怎样， 多模态隐喻和多模态转喻具有文化性，进行恰当分析时，必须结合情境和语言语境解析语篇的多模态隐转喻。