随着深度学习的高速发展,大量的研究人员和研究机构将其应用于图像分类任务中,使得传统图像分类任务的性能得到了空前的提升,其识别精度已经超越了人类。然而,传统的图像分类任务需要大量的训练图像和对应标签才能构建一个性能优良的图像分类模型,而收集大量特定场景、类别的图像样本是一份非常繁琐和耗时耗力的工作,更别提类别标签的标记工作了。毫无疑问,这一现象使得图像分类任务很难实现真正的人工智能,难以进一步向前发展。此外,在传统图像分类任务中,一个最大的局限性是针对某些场景训练的分类器无法迁移运用到其他场景识别任务中,这就使得训练好的模型在识别未见过的新类别时显得束手无策。因此,如何在缺少训练样本的情况下实现对未见类图像的精准分类以及如何使模型具备较强的可迁移性成为了一个亟待解决的问题。幸好,零次学习的出现使得因缺少未见类训练样本而导致的未见类样本无法被预测这一困境看到了曙光。零次学习旨在针对训练集（可见类）和测试集（未见类）因在类别上无交集而导致无法对测试集进行分类的情况,通过学习训练图像和对应辅助信息（属性、文本等知识）之间的映射关系,使模型具备知识迁移的能力,进而通过未见类的辅助信息来对未见类图像进行分类。目前,现有的零次学习方法可总结为三种不同的映射关系学习方法,分别是语义到视觉空间映射、视觉到语义空间映射以及语义/视觉到第三方公共空间映射。通过将映射空间作为可见类和未见类的中间桥梁,来实现未见类样本的分类。随着零次学习近十年的发展,其获得了大量研究人员和机构的研究并取得了显著的研究进展,这使得零样本图像分类方法能够在某些类别训练样本缺失的情况下依然取得不错的分类效果。但是,在保证语义特征和视觉特征之间的一致性方面,零次学习仍然存在很大的挑战。因此,为解决现存的这些问题,本论文对零次学习进行了研究,主要包含以下工作:（1）本论文提出了一种类别知识到语义特征的融合模型。该模型通过提取开放知识语料库中相关的语义信息,对多个相似度较高类别的语义信息进行交叉知识融合,为零次学习提供了丰富的语义信息,有效缓解了单一类别信息不足的问题;（2）本论文提出了一种交叉语义到视觉特征对抗生成的零次学习模型。该模型使用了一种可以优化语义到视觉空间映射函数的正则化项,该正则化项通过使用三元组损失对生成器生成的样本按照类间距离大和类内距离小进行限制,有效提高了生成器生成样本的质量;另外,本文还将半监督学习与零次学习相结合,通过给未见类样本贴上伪标签的方式将其加入到原始数据集中重新训练语义到视觉特征转化模型,有效地增强了模型对未见类信息的学习能力和识别能力,进而缓解了领域漂移所产生的负面影响;（3）我们对本论文所提出的方法在几个常用的基准数据集上进行了大量的实验,并证明了所提出的方法能够取得优于最新方法的卓越性能。