近年来,随着深度学习的快速发展,当前的人工智能已经在图像分类、目标检测等任务上达到了较为理想的表现,人工智能技术也随之应用于人们生活的方方面面,然而经典的机器学习方法通常要求测试数据与训练数据服从独立同分布的假设。但是,在现实应用中,训练数据和测试数据之间独立同分布的假设是难以满足的,因此,如何使模型在分布存在偏差的数据集上保持预测的稳定性,成为了学术界和工业界共同关注的热点问题,而图像分类是计算机视觉领域的重要任务之一,因此,研究稳定的图像分类方法具有重要的学术与社会应用价值。为此,本文从特征解耦、稳定表征学习等角度出发,基于对比学习、频域学习、变分自编码器等前沿技术,开展了稳定图像分类方法的研究。本文的研究主要聚焦于两种非独立同分布条件下的稳定图像分类任务:非独立同分布图像分类和组合式零样本学习。针对模拟训练集和测试集之间不同程度分布偏差的非独立同分布图像分类问题,本文提出了一种基于频域对比学习的模型,学习图像中的稳定特征,从而克服训练集和测试集数据分布存在偏差的问题。模型的学习可以分为两个步骤:频域对比学习预训练和针对图像分类的微调。在预训练阶段,首先将对图像进行离散余弦变换（DCT）,提取图像的频域特征,随后计算锚样本、正样本和负样本之间的对比损失,通过最小化对比损失,学习图像中的稳定特征。随后,通过分类的交叉熵损失函数微调模型参数,训练模型的分类能力。在公开数据集NICO上的实验结果表明本文提出的模型超越了基线方法,通过大量实验证明了该方法的有效性。在组合式零样本学习任务中,图像由属性和目标组成,测试集中的＜属性,目标＞组合在训练集中从未出现过,相比非独立同分布图像分类任务,组合式零样本学习任务的训练集和测试集之间的分布偏差程度更高,更具有挑战性。本文提出从特征解耦的角度出发,通过变分自编码器分别提取属性和目标解耦后的特征,并利用BERT模型和图神经网络学习标签文本特征,通过图像特征和文本特征的跨模态对齐促进解耦特征学习,得到分类结果。本文提出的模型在两个公开数据集MIT-States和Ut-Zappos上超过了现有模型,证明了方法的有效性。