零样本学习技术是解决目标识别领域所面临的大数据依赖问题的有效手段,其通过人为引入的诸如属性或者词向量的语义知识建立起可见类和不可见类间的数学联系,从而完成零样本识别。零样本学习可分为早期的传统零样本学习和新兴的广义零样本学习,其中前者仅需识别不可见类,而后者则需同时识别可见类和不可见类,更具应用价值。零样本学习方法又可分为嵌入式模型和生成式模型两类,其中嵌入式模型可实现端到端的训练模式,结构简明,但在广义任务上会引起严重的分类偏误问题,即容易将不可见类误分为相似的可见类;生成式模型虽然能一定程度避免分类偏误问题,但训练过程繁琐,需要引入额外的语义先验,不利于应用。因此,本文致力于解决嵌入式模型在广义任务上面临的分类偏误问题,构建应用友好型的零样本学习网络,该研究具有一定的理论价值和较高的应用价值,其中三个工作重点总结如下:首先,本文对目前少有研究的分类偏误问题进行了数学建模,并提出了局部相对距离作为其度量标准,越小的局部相对距离意味着越严重的分类偏误问题。同时,本文依据该度量标准进行数学分析和证明得出了一个重要结论:提高映射的局部线性能力能够增大局部相对距离从而有效缓解分类偏误问题。然后,本文依据该结论设计了语义协同表征网络。该网络为可进行端到端的训练的嵌入式模型,主要包含三大模块:用于语义表征的协同模块,用于相似性度量的比较模块以及用于图片特征提取的卷积神经网络模块。其中,协同模块采用了一种“分解求和”的思想有效增大了局部相对距离,在提高局部线性能力的同时保留了全局非线性能力,是解决分类偏误问题的关键。同时,本文设计了一系列面向属性输入的应用实验,结果表明该网络有效缓解了分类偏误问题,在采用更少的语义先验的情况下性能超过了现有最优的生成式模型方法。进一步分析表明协同模块能够学到更具判别性的特征和更加均匀的嵌入空间,且整个网络易于实现,具有良好的鲁棒性。最后,本文将单模态的属性输入拓展为属性加词向量的多模态输入,并提出了基于模型集成的后端融合和单模型的前端融合两种多模态融合方法,进一步提升了网络性能。其中前端融合方法充分利用了语义协同表征网络的“协同”特性,对协同模块进行了高维拓展,将多个专家模块组成专家组模块,每个专家组模块负责特定模态的映射,其性能提升幅度更大,也表明了语义协同表征网络的高兼容性和可拓展性。