在零样本学习中,由于参与训练的类别和测试类别之间不存在交集,训练样本和测试样本存在一定的数据分布差异。因此,由训练样本学习得到的属性分类模型将无法适用于测试样本,从而导致了领域偏移问题。针对这一问题,本文的主要研究内容为:第一,从分类器自适应的角度解决属性自适应问题,提出了基于自适应多核校验学习的多源域属性自适应模型。首先,根据类别-类别相关性进行了多源域的构造,并根据属性与源域的关联概率构造加权源域;其次,利用源域与目标域之间的属性关系,对两领域进行了面向属性的相似特征选择,以减小领域之间的分布差异;然后,利用预训练属性分类器、多核学习、领域间最大均值差以及中心核校准等算法构建出基于核校验的自适应多核属性分类器;最后,将得到的属性自适应模型结合直接属性预测模型应用于零样本图像分类。第二,从特征表示自适应的角度解决属性自适应问题,提出了基于深度特征迁移的多源域属性自适应模型。首先,根据类别-类别相关性进行了多源域的构造;其次,对训练图像和测试图像进行了图像预处理;再次,利用深度自适应网络提取源域和目标域的深度可迁移性特征,其中源域的深度可迁移特征用于学习属性自适应模型,目标域的可迁移特征经过加权用于零样本分类;然后,根据类别-属性相关性,对类别与属性之间的关系进行了挖掘;最后,将属性自适应模型和多源决策融合算法引入间接属性预测模型,实现零样本图像分类。场景识别数据集(OSR)、动物数据集(AWA)、a-Yahoo属性数据集以及属性发现鞋类数据集(Shoes)的实验结果验证了所提算法在零样本图像分类上具有更好的分类性能。