图像作为重要的信息载体,在诸多领域中得到广泛的应用。图像中几乎所有的信息都蕴含在底层特征中。特征提取是图像处理中的重要阶段,能否充分提取出图像的底层特征成为区分和联系图像的关键。零样本学习中广泛应用无监督的图像特征提取,使计算机成功地模拟了人类的认知习惯。以零样本学习为应用背景,对提取的纹理特征存在维度高、无法兼顾全局特征和局部特征的问题以及提取的颜色特征忽略了颜色和空间之间关系的问题进行改进。主要研究工作为:提出一种基于局部阈值的分水岭(Local Threshold-Based Watershed,LTW)算法,为解决Gabor滤波器模板和图像进行卷积过程中,固定窗口采样和均匀采样灵活性的缺失和区域信息的不完整,同时能够充分提取图像的细节特征,首先,采用Sobel算子提取图像轮廓;然后,由于待分割图像较复杂,采用Bernsen算法获取多个局部阈值对图像进行二值化;最后,将二值化后的图像用分水岭算法进行分割。提出一种基于LTW的Gabor纹理特征提取(LTW-based Gabor,LTW-Gabor)算法。首先,Gabor滤波器的参数设置尚没有通用方法,为此提出一种Gabor滤波器参数设置的通用方法,提取分割后图像块的整体特征作为整幅图像的局部特征;然后,将通用的Gabor滤波器参数设置方法和LTW算法结合,计算总体纹理的均值和方差作为最终的纹理特征,该算法可显著降低纹理特征的维度;最后,将提取到的图像纹理特征应用于零样本学习中。提出一种基于GRW-Lch的颜色特征提取算法。首先,鉴于颜色直方图忽略了颜色和空间之间的关系,采用基于梯度重构的分水岭(Gradient Reconstruction-Based Watershed,GRW)算法对图像进行分割;然后,利用局部颜色直方图(Lch)的思想,在分割后的图像块上利用颜色直方图进行颜色特征的提取;最后,将提取出的图像颜色特征用于零样本学习。选用公开人脸数据集(Pubfig)、室外风景数据集(OSR)以及属性发现数据库-鞋类数据集(Shoes)三个不同的数据集进行实验。对比实验结果表明,与传统零样本学习中的特征相比,所提方法均能够获得更高的属性预测精度和零样本学习识别率。