随着视觉语言模型（VLM）、扩散模型（DM）、大语言模型（LLM）和音频基础模型（AFM）的广泛应用，这些多模态基础模型可能会从训练数据中无意编码敏感、受版权保护、有偏见或不安全的跨模态关联。在收到删除请求或政策更新后重新训练通常不切实际，而针对性的遗忘也很困难，因为知识分布在共享表示中。多模态遗忘通过选择性移除跨模态信息同时保持整体效用来解决这一挑战。本综述提供了一个统一的、系统导向的多模态遗忘视角，涵盖视觉、语言、音频和视频，基于近期进展、新兴应用和开放问题。提出的分类法能够在模型架构和模态之间进行系统比较，阐明删除强度、保留率、效率、可逆性和鲁棒性之间的权衡。综述强调了开放问题和实际考虑因素，以支持多模态遗忘的未来研究和部署。论文还发布了一个策划的资源库。