近年来,计算机算力不断提高,深度学习得到了迅速发展,人工智能技术使计算机视觉、语音等领域不断进步。一些学者开始注意到,在缺少训练数据的场景下,模型仍能取得较好的学习效果,才更符合真实情况。然而,多数任务需要借助大量的监督样本进行训练。此外,常见的数据集中类别个数有限,而实际场景下会存在大量新类别。收集新类别的样本并重新对模型训练,不仅需要大量的人力和时间,还会对现有模型的性能产生影响。传统的机器学习方法在缺少训练数据的情况下,直接对新类别的样本进行识别,会导致预测结果存在较大的偏差。为了对缺乏训练样本的新类别进行识别,零样本学习成为一种解决思路。作为机器学习的一个新挑战,零样本学习通过可见类的图像和语义信息进行训练,使同一类别的视觉和语义信息建立一种潜在的转换关系,并在预测时将这种关系迁移到不可见类,便可以实现对不可见类图像的预测。而生成模型可以通过上述关系,在深度空间中完成语义到视觉的转换。通过在转换过程中添加噪声,生成各类别的视觉样本,便能够将缺乏视觉样本的零样本学习转化为监督分类问题。虽然基于生成模型的方法在零样本学习中得到了广泛应用,但是这类方法仍存在着训练困难、生成样本的分布与真实分布不一致等问题。本文对零样本学习及生成模型中存在的一系列问题进行深入研究,并开展了如下工作:（1）本文提出了基于分布编码与特征对齐的零样本学习方法。在传统的生成对抗网络中,生成器通过输入高斯分布中随机采样的噪声进行特征合成,使合成样本的视觉区分性较差。本方法通过编码器将视觉样本编码到潜在空间中,生成器从编码后的潜在分布中采样,使生成的样本包含更多与视觉分布相关的信息。此外,多个生成模型生成的视觉特征在数值范围上存在差异,产生与真实样本分布不一致的现象,这会给分类器的训练和识别带来困难。本文通过特征对齐模块,使多个模型合成的视觉特征以及真实特征之间的分布更加接近,促进了零样本识别过程。（2）本文提出了基于原型域对齐与多模态重建的零样本学习方法。基于生成模型的方法存在着生成样本的分布偏离真实分布的现象,产生了样本域分布不一致的问题。本文提出通过MMD距离使生成样本接近于对应类别的视觉原型,保证生成样本的分布与对应类别的原型分布更加接近。此外,常见的生成模型方法将随机向量和语义向量拼接后传入生成器。生成器学习到的随机向量信息可能会多于属性信息,从而会导致生成样本类别信息不完全的问题。本文通过语义解码器,将生成的样本解码到语义空间中,并与真实的语义属性进行重建;此外,合成样本在视觉空间中也进行了重建约束度量。因此,本方法通过多模态重建的方式,使生成的样本具有更丰富的类别信息,降低了分类器的训练难度。