图像分类任务在实际生活中有着许多的应用场景。得益于近年来出现的具有人工标注的大型数据集,深度神经网络在图像分类任务上取得了不错的效果。传统监督方法需要大量标注数据用来训练分类器。然而随着需要分类的类别数指数增长以及某些细粒度分类任务的需要,获取类别对应的标注数据变得代价高昂甚至难以实现。例如,对于珍稀动物种类,可用的标注数据不足以学习可靠的分类器。为解决上述问题,研究人员提出了零样本学习,它使用有限数量的可见类样本进行学习,通过共享知识的传递来对在训练阶段不曾出现的新类别进行分类,这也成为了一个热门研究方向,并被广泛应用。已有基于映射的零样本学习方法大多试图寻找视觉空间和语义空间之间的直接映射关系,忽略了两个空间存在分布上的差异;由于模型不经过任何适应性改变直接应用到不可见类上,对可见类有所偏好。针对上述问题,本文提出了一个基于类别原型和潜在中间层的零样本学习方法（Inter ZSL）,Inter ZSL引入一个中间的潜在空间来对齐图片视觉空间和类别语义空间,利用可见类和不可见类的类别语义表示对类别原型进行校正,并引入局部流形正则化来保留视觉空间原始数据的局部结构,从而可以获得潜在中间空间上的更具区分性的类别嵌入。通过这种方式,Inter ZSL更好实现了可见类到不可见类的知识转移,学到了更为鲁棒的视觉空间和语义空间的映射关系。在基准数据集上的实验结果表明,本文提出的Inter ZSL在零样本学习任务上有显著的分类性能提升。针对传统零样本分类方法无法解决实际生活中复杂图片问题,本文关注更具挑战性的多标签零样本学习问题。针对现有多标签零样本学习方法忽视区域特征蕴含的辨别性信息,同时对多标签问题中标签关联性的建模不足的问题,提出了一种基于图卷积网络的多标签零样本学习方法（MZSL-GCN）。MZSL-GCN是一个端到端训练的网络框架,该框架利用图卷积网络来探索和捕获类别标签的关联性,从而学到相互关联的类别分类器。同时,MZSL-GCN通过引入关键区域发现机制去学习自适应的局部特征,并和全局视觉融合得到新的图片特征表示。MZSL-GCN方法在基准数据集上实现了较优的性能,在传统多标签分类问题上也有优异的效果。本文基于类别原型和潜在中间层的零样本学习方法Inter ZSL,通过学习双向映射和类别原型校正有效缓解了领域漂移问题。基于图卷积网络的多标签零样本学习模型MZSL-GCN,使用图卷积网络对标签关联性进行了显式建模。两个模型均显著提高了零样本学习的分类精度,同时也解决了已有方法的不足之处。