零次学习（Zero-Shot Learning,ZSL）是指在测试样本的标注信息完全缺失的情况下进行的图像识别任务,它是实现人工智能由“感知智能”向“认知智能”转变的关键一步和必不可少的途径。生成式零次学习是零次学习方法中的一个分支,由于其新颖性以及较高的零次学习性能而在近些年内被广泛研究,它是指使用生成式对抗网络及其改进版本并结合语义到视觉空间映射的方式来解决零次学习问题的一类方法。目前,零次学习中存在语义不足、语义鸿沟以及领域飘逸等问题,导致零次学习模型的精确率和泛化性始终处于较低水平,阻碍着零次学习的发展。因此,为了合理并有效地解决这些存在于零次学习中的问题,本论文将从语义特征增强和模型结构定义两大方面提出改进方法,主要包括以下工作:（1）论文提出了一种用于零次学习图像分类的基于层级结构分类的知识图谱,为数据集中各类别之间的关联关系提供了新的依据;（2）论文从语义特征增强的角度提出了一种新的基于交叉知识的零次学习模型。该方法通过交叉知识学习（Cross Knowledge Learning,CKL）机制使模型能够学习到更多相关的语义特征,显著地丰富了语义特征。同时,通过引入分类学正则化（Taxonomy Regularization,TR）项使模型生成泛化性更高的视觉特征来增加与未见类视觉特征的交集,显著地缓解了领域飘逸现象所引起的不利影响;（3）论文从模型结构定义的角度提出了一种基于多知识融合的生成式零次学习模型。该方法包含了一种新的多知识融合网络（Multi-Knowledge Fusion Network,MKFNet）,它使用来自多个知识的语义特征进行训练来学习更多相关的语义信息,显著地丰富了语义特征以应对语义不足的挑战。同时,通过在网络中引入知识正则化（Knowledge Regularization,KR）项来增加与看不见类的交集以合成更高泛化性的视觉特征,显著地缓解了因领域飘逸现象而引起的不利影响;（4）我们对提出的方法在零次学习领域中的几个主要基准数据集上进行了大量的实验,并证明了本论文所提出的方法在零次学习任务下可实现目前最先进的性能。