随着人类社会的发展,计算机图像识别在人类生活中变得越来越重要,而近年来信息技术的进步,使得模式识别算法功能越来越强大,但是现代模式识别系统往往受限制于有效的训练数据集的获得,特别是随着对象类别的数量增长,无法获得足够的有标记的图像作为训练数据,导致了这种限制。一种补救办法是利用来自其他来源的数据(如文本数据)来训练视觉模型,预测未知类标签,这种方法被称为零样本学习。本文通过分析当前主流零样本学习算法,基于此提出了三种改进的新的零样本分类模型:1.提出一种基于深度公共空间的零样本学习算法。该算法通过使用深度学习技术,将图像模态的特征提取和语义模态的特征提取联系起来,建立了完整的深度图像特征提取和公共空间嵌入模型。因此该算法可以同时训练图像模态的学习参数和语义模态的特征参数,显著提高了零样本识别效果。2.提出了一种基于结构化深度公共空间的零样本学习算法。该算法注意到零样本学习问题是一个训练图像和测试图像分别属于两个不相互连接的类集合,基于此将输出特征视作结构化对象,通过结构化嵌入引入非线性映射的零样本学习框架,使训练图像集合可以根据适应性函数确定最佳匹配的语义特征。因此该算法具有更好的泛化能力,提高了零样本识别效果。3.提出基于双向深度公共空间的零样本学习算法。该算法关注视觉数据和语义特征的内在结构。视觉模态从监督数据的视觉特征中学习隐含的公共空间,同时通过保持视觉数据的内在结构,提高识别能力。语义模态在保持已知类和未可见类之间的内在结构情况下,学习到公共空间的映射。因此该算法可以有效的保留视觉和语义的先验知识,提高最终分类识别能力。最后,本文通过在AwA、CUB以及A-Pascal/A-Yahoo这三个公共的数据库上进行对比实验,以此来验证本文所提算法的可行性以及有效性。