近年来,随着深度学习技术的迅速发展,基于有监督学习的方法在各种视觉任务上达到了很好的性能。然而,这类方法依赖于大量有标签的训练样本,学习得到的分类器往往能够较好地识别训练过程中见过的样本类别,而无法很好地迁移到训练中未见过的其他样本类别。为了解决这种缺少有标签数据的学习任务,零样本学习（zero-shot learning）受到广泛关注,即一个神经网络模型将在已知类别的样本数据上学习到的知识迁移到未知类别中,从而完成对未知类别样本的识别。本文主要研究在应用更为广泛的广义零样本学习（generalized zero-shot learning）场景下的组合零样本识别（compositional zero-shot recognition）问题,测试数据既包含训练时可见的已知类样本,又包含不可见的未知类别样本。为解决广义零样本学习中存在的语义与视觉空间不匹配导致语义间隔、测试时倾向于将数据预测为可见类等问题,本文展开了深入研究,主要研究内容如下:（1）提出了基于双流对比网络的组合零样本识别模型。以往大多数方法或者仅关注属性和目标之间的依赖关系,或者强调学习二者的独立特征。然而,只考虑依赖性的学习模型可能会捕捉到一些虚假的相关性,这些相关性会过度拟合到可见组合中,降低泛化性能;而只关注对概念间的依赖性进行解耦则会牺牲每张图像中的整体信息。因此,为了使学习到的表示具有判别性,本文引入概念对比模块,根据不同概念（属性和目标）的相似性生成正对和负对,捕捉概念独立的判别表示。同时,为了提升模型从可见组合到不可见组合的泛化性能,本文提出了实例对比模块,构建易混淆的组合表征作为负样本,探索特定于每个实例的属性与目标之间的内在相关性。在两个数据集MIT-States和UT-Zappos上进行的大量实验证明了该方法的有效性。（2）提出了基于视觉特征重建和语义增强的组合零样本识别模型,为了进一步提高模型在不可见类上的迁移能力和所学习的属性与目标表示的判别能力,本文在视觉特征和语义特征两个方面对现有方法加以改进。从视觉特征来看,本文引入了一个视觉特征分解与重建模块,将分解得到的目标与属性的独立表示重建回完整的视觉特征,并设计了一种新的组合策略来增加训练样本的多样性,进而提升模型的泛化性能;从语义特征来看,本文利用一个组合图将数据集中属性、目标组合的标签嵌入信息互相传播,增强各概念的语义信息,促进可见类到不可见类的语义知识迁移。在两个通用数据集上的实验证明了该方法相较于现有其他组合零样本识别模型有明显的性能提升。