零样本图像识别旨在解决在没有标注数据的情况下完成目标类别的识别问题。受启发于人类的学习范式,零样本图像识别方法借助类别之间的语义关联性,将从已知类别数据中学习到的知识迁移到未知类别数据,从而完成对未知类别数据的识别任务。目前大多数零样本图像识别方法试图将图像的视觉特征和类别的语义特征映射到一个共享嵌入空间,然后在共享嵌入空间中使用最近邻搜索算法确定图像的类别标签。由于训练集和测试集中包含的类别不同,且图像特征空间与语义特征空间的流形结构不一致,导致该类方法经常出现投影域漂移、映射偏置和枢纽点等问题。为了缓解上述问题,论文借助类别层级结构关系、图卷积神经网络和可逆生成模型对零样本图像识别问题进行研究,主要包括以下三个方面内容:(1)借助Word Net词典包含的类别层级结构关系和描述文本,论文提出一种基于类别层级结构和多标签语义特征融合的词嵌入算法,将类别和其父类别包含的所有单词的词嵌入加权融合作为当前类别的语义特征。其中,类别层级结构信息可以提高词嵌入特征的语义指向性和判别性,而多标签语义特征融合有助于缓解词嵌入缺乏视觉相关性等问题。(2)针对目前基于图卷积神经网络的零样本图像识别方法普遍存在模型架构单一和类别关系图缺乏多样性等问题,论文提出一种基于多尺度类别关系和稠密链接的图卷积神经网络MDGCN模型,其借助多尺度图卷积操作将不同类型的类别关系图融入图卷积神经网络,并且利用稠密连接技术提升模型的表示能力和泛化能力。(3)针对目前基于生成模型的零样本图像识别方法存在生成数据缺乏多样性和模型表达能力不足等问题,论文采用一种新型的基于条件常规流的可逆生成模型CNFG解决零样本图像识别问题。CNFG模型通过若干个仿射耦合变换,直接将真实数据变换到服从正太分布的隐含变量,而后通过模型的逆向操作生成伪数据实例,该模型具有模型构建简单、目标函数明确和生成数据具有多样性等优点。