Según Kress y Van Leeuwen (2001), la multimodalidad es el uso de varios modos semióticos para la construcción de significado y el diseño de productos o eventos semióticos en contextos específicos. La forma particular en la que estos modos se combinan pueden reforzarse mutuamente (decir lo mismo de formas diferentes), cumplir roles complementarios o estar jerárquicamente ordenados, como en las películas de acción, donde la acción es dominante y la música suma un toque de color emotivo, y el sonido sincronizado añade presencia realística. 

Sin embargo, este interés por la producción y el consumo de textos multimodales no ha sido lo común a lo largo de la historia. Kress y van Leeuwen (2001) mencionan que hubo épocas en las que los textos más prestigiosos eran monomodales. Este paso de lo monomodal a lo multimodal, ha llevado a que las personas exploren diferentes maneras de combinar distintos modos semióticos, con el objetivo de crear sentido.

Es importante entender la manera en que los distintos modos semióticos se relacionan dentro de un mismo texto, ya que esto nos guía hacia la interpretación del texto como tal. Al enfrentarnos a un texto multimodal, podemos identificar los diferentes recursos que se presentan, pero no hay que olvidar que, a pesar de que se pueden analizar de manera separada, corresponden a un mismo texto y, por lo tanto, dichos recursos tienen sentido en ese contexto en específico.