近年来,深度学习在诸多领域都取得了很好的效果,不过其最大弊端,就是学习过程中需要大量标注好的训练数据,而这会消耗很多的时间和精力。零次学习能够较好的解决这个问题,它通过标注好的可见类的训练集和关于不可见类与可见类语义相关的知识进行学习训练,使得模型能够识别出训练过程中未出现的类别样本。零次学习中有视觉特征与语义特征,这两种特征能否较好地表示相应类别对最后的分类结果有很大影响。因此对特征本身的优化非常重要,尤其是语义特征,因为类别的语义特征大多是人为定义的,不可避免的会存在对图像描述不够准确的问题。另外零次学习还需要将语义特征与视觉特征映射到相同的维度空间,这是零次学习中的关键,不同的映射方式对最终的结果影响很大。本文在对现有工作研究分析的基础上,提出了相关双自编码器方法和基于知识图谱的零次学习方法,主要研究内容如下:(1)针对语义特征对图像描述不够准确的问题,本文提出了相关双自编码器的模型架构。本文对视觉特征与语义特征分别建立了自编码器,这两个自编码器是有联系的,视觉特征自编码器产生的结果会影响下面语义特征自编码器的编码解码过程。这么做能使语义特征中包含图片的视觉信息,使语义特征能更完整更细粒度地描述图片,从而起到提高识别分类准确率的作用。(2)类别之间的连接关系能帮助学习到一些隐藏的语义特征,从而能够更好地与视觉特征进行映射,所以本文利用Word Net知识图谱来构建类别之间的关系图,引入额外的先验知识。然后利用图网络算法Graphsage对关系图进行学习训练,不断吸收学习相邻节点的信息,使得关系图中节点有更完整的语义描述。因为引入了图结构,所以本文通过图卷积神经网络将语义特征映射到与视觉特征相同的维度空间。此外,本文还利用了直推式的学习方式,将测试集中的图片也引入到训练的过程中,这样能让学到的知识更好地从训练集类别迁移到测试集中的类别,能很好的减少过拟合。本文将这两个模型在Aw A、CUB和Image Net数据集上进行了大量的实验,取得了比之前一些模型更好的结果,其中第二个模型方法有着更出色的表现。