高性能的有监督模型需要获取大量的高质量标注数据,且模型只能识别训练中见过的类别。零样本学习将现有模型学习到的知识迁移到未见类别上,解决了监督学习缺少标注数据和模型复用性低的困境。由于缺少未见类图像,零样本学习需要引入额外的语义信息监督才能正确识别未见类,但这同时也导致了域漂移和模态间隔问题。本文聚焦零样本学习中的域漂移和模态间隔问题,提出了两种基于语义引导的零样本学习方法,具体研究内容如下:（1）针对已见类相关属性学习泛化性差引起的域漂移问题,提出了基于判别性属性空间的零样本图像分类方法。算法提出了两种有效属性增强策略和一种自适应边界损失增强未见类属性的判别性;在属性引导数据增强模块中引入未见类属性作为重构目标,加权组合已见类视觉特征扩充可训练集合,强化模型对未见类相关属性学习;在相关样本重训练模块中,测试阶段选择和未见类样本特征相近的已见类样本微调网络,提高未见类相关属性在模型预测时的权重;在自适应边界损失函数中,通过优化调整模型的判别性和迁移性提高了模型的泛化性,进而提高未见类属性空间的判别性。所提方法在多个公开数据集上验证了有效性和先进性。（2）针对语义嵌入和视觉特征之间存在的模态间隔问题,提出了基于视觉语义特征解耦的零样本图像分类方法。该方法将图像信息解耦为视觉和语义两种模态信息,充分挖掘视觉信息与语义信息在各自模态的表征能力。首先,使用结构相同、参数不共享的特征提取器分别提取视觉特征和语义特征;其次,通过属性修正模块加权融合已见类的语义特征和属性标签获得修正属性标签,将修正属性作为标签监督模型生成更具判别性的视觉特征;最后,测试阶段丢弃语义特征中的视觉信息和视觉特征中的语义信息,剩下的信息融合得到更具判别性的混合特征。所提方法在多个数据集上达到了目前最好的分类精度。