基于零样本学习的细粒度目标分类旨在让分类器在即使无训练样本的情况下对同属于一个大类的子类目标进行细粒度的划分,在智慧新零售、人脸识别、智能安防等领域有着十分重要的应用。零样本学习算法通过使用共享知识作为中间媒介实现从己训练过类别到未训练过类别之间的知识迁移,因此分类器可用于未训练过类别样本的分类。目前基于零样本学习的细粒度目标分类研究主要是在单目标分类的场景下直接依赖人工定义的属性作为中间媒介进行知识迁移。此种分类器受限于人工定义属性的表达能力,在细粒度分类任务容易出现视觉特性表征不足问题。在单目标场景下进行分类的设定也限制了细粒度分类器的实际应用。针对上述问题,本文主要的研究内容如下:第一,研究单目标场景下基于属性字典学习的零样本细粒度目标分类相关理论。首先,研究了基于人工定义属性的零样本分类算法,该类算法借助人工定义属性实现知识迁移从而对未训练过的类别样本进行正确分类。但是这一做法存在属性描述能力不足的问题。其次,本文研究了基于潜在属性学习的零样本分类算法,该类算法通过学习潜在属性扩充人工定义属性,弥补现有人工定义属性的描述能力不足的问题。使用联合视觉特征、属性空间和样本标签空间使得学习得到的潜在属性既保有语义可解释性又增加了对难以区分特征的描述能力。最后,本文研究了常用的零样本分类数据集并实验验证算法的零样本分类能力。第二,研究单目标场景下基于相似敏感潜在属性字典的零样本细粒度目标分类。面向细粒度分类中样本“类内差异大、类间差异小”的特点,本文提出相似敏感潜在属性字典学习算法。对视觉上不易区分的特征分别学习相应的潜在属性字典。具体来说,首先用混合高斯模型对样本的分布进行建模,根据样本视觉特征进行划分。其次,对每一个样本聚类簇通过联合学习得到该相似特征的特定潜在属性字典。最后,通过各个字典的融合决策对于测试样本进行分类。提出的基于相似敏感潜在属性字典学习的细粒度目标分类算法从增强难以区分的视觉特征的描述能力的角度有效提高了细粒度分类的性能。第三,研究多目标场景下的基于零样本学习的细粒度目标分类。面向多目标分类场景,本文提出了基于零样本学习的细粒度目标分类的一体化框架。该框架针对目标定位和分类问题,提出改进的层级DeepLab v3算法,该方法融合了不同层的图像视觉特征从而减轻遥感图像中小目标的信息丢失问题。面向多目标场景下难以保证分类目标仅来源于未训练过的类别的问题,该框架使用更适用于多目标场景的泛化零样本学习算法进行细粒度目标分类解决了多目标场景下的零样本细粒度目标分类问题。实验结果验证了该框架的有效性。