大规模预训练视觉-语言模型CLIP(Contrastive Language-Image Pretraining)可将输入图像和文本投影到公共语义空间实现跨模态对齐，且在广泛的下游任务上展现了较强的泛化能力。然而，现有的提示学习方法通常在CLIP的视觉编码器和文本编码器的各层分别插入独立的可学习提示向量，以矫正表征空间，但缺乏充分的跨模态交互，且编码器各层的提示相互独立，无法有效引导编码器准确捕获任务所需信息。为解决上述问题，提出递进互提示学习方法(Progressive Co-Prompting Learning，ProgCoPL)，该方法在视觉编码器层插入由文本提示引导的提示向量，在文本编码器层插入由视觉提示引导的提示向量，从而有效增强了模型的跨模态交互与对齐能力。此外，ProgCoPL通过在编码器各层的提示向量之间添加信息传递通道，实现了层级递进的信息整合，从而更精准地捕获任务相关信息。在11个数据集上的实验结果表明，ProgCoPL能够将CLIP模型高效适配到下游任务，且在多个泛化能力测试中，ProgCoPL的表现超越了现有方法，尤其是在跨数据集泛化能力测试上取得了显著进步。