在当今时代这个电子信息技术高速发展的今天,智能设备的普及以及网络的提速使我们能够随时随地的生成或者获取电子文档、视频与图像。随着互联网上的这些电子数据的增多,如何利用并且理解这些电子数据成为当今研究的重点。在这些电子数据中由于图像比文字表达内容更清晰明了,而且比视频内容更节省存储空间,因此在互联网上信息以图像的形式传播更加广泛,这就使计算机视觉获得广泛的关注。对于计算机视觉的应用首先在于计算机全面准确的理解图像内容。随着研究的深入,研究者越来越意识到图像的简单底层特征与丰富高层语义描述之间存在差异,这种差异叫做“语义鸿沟”。为了消除语义鸿沟问题,研究学者提出了视觉属性的概念。属性由于能够起到沟通底层简单特征与高级丰富语义描述的作用,从而减弱“语义鸿沟”带来的影响,因此被用到计算机视觉的多种领域。在对属性的研究中,一般分为二值属性研究与相对属性研究两种。二值属性一般表示图像是否具有某种属性,而相对属性则采用连续的数值描述属性的相对强弱,这种连续数值的刻画比二值的刻画更丰富具体,能够更准确的描述图像的视觉特性。本文主要围绕相对属性模型的学习和基于相对属性的零样本图像分类两方面来进行研究的,以下是本文研究的主要内容:(1)在相对属性模型的学习过程中,大多使用图像的底层视觉特征来描述图像的特性,但特征和属性的对应关系缺乏规律。本文分析了在模型学习过程中使用的特征与属性不匹配的问题,提出了一种基于属性与特征相匹配的匹配特征选择方法,该方法能够自动选择与学习的属性相匹配的底层特征。通过属性学习过程中的特征稀疏化,提高特征对于属性的概括能力,进而改进相对属性学习方程,并对该方程优化求解,提高特征与属性的匹配程度。本文在五个数据库上进行了相对属性模型的排序准确率、特征选择对不同属性的影响以及稀疏度设置等实验,证实了该方法的有效性。(2)在监督学习过程中,大多数的监督训练都需要使用带有标签的样本进行学习,针对监督学习过程中标记样本类别不足以涵盖全部测试集的问题,本文提出了基于相对属性模型的零样本图像分类方法。通过分析不同类别之间的属性差异与联系,采用估计未知类别模型和估计未知类别样本两种方法来进行图像零样本分类。在基于类别估计的零样本图像分类中主要是估计未知类别的模型,通过已知类别的高斯模型特征来估计未知类别模型的高斯模型特征,完成知识迁移过程。首先将图像底层特征转变为相对属性强度特征,进而采用高斯模型来描述同一类别的图像特征,然后通过类别间属性的关系根据已知类别来估计预测未知类别。在基于样本估计的零样本图像分类中主要是估计未知类别的样本特征,通过估计未知类别可能存在的样本情况,补全训练数据库,进而进行分类器的训练学习,完成图像分类。本文的方法在相对属性学习的两种数据库上进行了验证实验,验证该方法能够提高零样本图像分类的准确率。