一直以来,图像识别技术在学术界和工业界都备受关注,尤其在机器学习的快速发展下已经取得了令人瞩目的成绩。但是传统的图像识别技术存在亟待突破的问题,例如它们需要大量的有标注的数据去学习鲁棒的识别模型,并且只能识别出训练集中出现的类别图像。如果某个类没有出现在训练集中,在测试时将无法正确识别该类的图像。然而,在真实的应用场景中,经常需要识别没有见过的类别的图像。尤其是在当下的大千世界里,每天都有源源不断的新物种出现（例如,新型冠状病毒）,人类可能无法对这些新物种进行人工标注,从而无法利用传统的图像识别方法对其进行识别。所以,零样本图像识别（零样本学习）应运而生,开辟了图像识别方法的新天地。它结合迁移学习的思想,将语义空间作为已见类与未见类间的桥梁,利用获取到的先验信息去识别未见类。近年来,零样本图像识别虽已取得了实质性的进展,但由于在零样本设置下,样本特征与语义信息间存在较大的分布差异,且已见类和未见类的类别是不相交的,具有较大的分布差异,从而利用已见类训练的模型去识别未见类易导致域偏移问题。同时在建立视觉空间与语义空间的映射关系过程中容易导致大量的有效信息丢失,产生信息损失问题。所以,如何有效缓解域偏移、信息损失等问题成为零样本图像识别中非常具有挑战性的问题。基于此,本文主要有以下贡献:1.针对归纳式零样本图像识别,本文提出融合生成与嵌入的零样本图像识别（Zero-shot Learning via the fusion of generation and embedding for image recognition,ZSL-CPLSR）。该方法分为类原型学习和基于重构的双潜在子空间学习两大阶段。第一阶段针对域偏移问题,通过字典学习在语义空间中建立已见类和未见类之间的关系,并将其迁移到视觉空间中,学习所有类（包括已见类和未见类）的视觉原型,以进行第二阶段的子空间学习。同时,在迁移学习的过程中,考虑到视觉-语义空间的分布差异,ZSL-CPLSR采用一种放松的策略,将视觉空间中的关系限制为与语义空间中的关系相似而非相同。第二阶段针对信息损失问题,不是学习一个公共的潜在子空间,而是通过投影学习与岭回归学习的联合优化,学习两个潜在子空间（一个潜在视觉子空间和一个潜在语义子空间）。同时,对其进行重构,以确保在获取有效判别性信息的同时减少信息损失,最后,在学习这两个潜在子空间时,利用组合映射对这两个潜在子空间进行对齐。2.针对直推式零样本图像识别,本文提出融合迁移学习和自训练的直推式零样本图像识别（Transductive zero-shot learning via the fusion of transfer learning and self-training for image recognition,TZSL-PDST）。该方法将迁移学习和自训练整合到一个统一的框架,充分利用未标记图像的视觉特征去预测未标记类的伪分布,缓解域偏移问题,且通过字典学习和岭回归学习,学习一个更具判别性的子空间,减小模态间差异,同时利用具有伪标记的未见类的视觉特征和已标记的已见类的视觉特征,通过自训练学习,获取更广义的模型。此外,TZSL-PDST利用一致性约束和未见类的内在结构缓解伪标签的负迁移影响,并迭代地纠正伪标签,直至收敛。