大规模人工标注的数据集极大地促进了深度学习的发展,使得深度学习在多种计算机视觉任务表现出了优异的性能。然而,在现实场景中,由于一些新类别不断的出现,收集这些类别可用于训练的图像样本变得十分麻烦。很明显,使用传统分类模型去分类那些类别是不可行的。于是,零样本学习作为一种有效的解决方法吸引了很多研究人员的兴趣。零样本学习通过学习从已知类别迁移到未知类别的知识,可以在不存在来自未知类别的视觉样本的情况下,学习分类器来识别未知类别的图像。基于属性的零样本学习方法,通过引入属性作为中间语义空间用来迁移知识取得了显著的效果。在语义空间内,已知类别和未知类别都用高维向量来表示。然而,现有的方法存在多个问题。首先,由于类嵌入或视觉偏差存在噪声,用于识别的语义空间可能不可靠。其次,作为未知的类别,缺乏对这些未知类别的任何知识。因此,为未知类别提供属性标注是浪费时间和人力的。此外,同一种属性可能会存在不同甚至差异极大的视觉特征,直接使用属性作为中间语义空间,在零样本预测时不可避免地导致了映射域漂移。同时,在高维空间中,某些点会成为大多数点的最近邻点。这也使得现有方法在预测时效果变差。针对类嵌入或视觉偏差存在噪声问题,本文提出了一种新颖的基于视觉属性嵌入的零样本学习方法,该方法通过中间汉明空间对未知类别进行识别。具体来说,本文的方法同时学习两个二值编码函数,分别将视觉特征和类嵌入映射到汉明空间。这很好地缓解了视觉语义偏差问题。在训练期间,通过在原有的映射函数引入两个额外辅助变量,将原问题转化成了一个等价的最大化内积问题,这个等价问题拥有解析解。因此,本文所提出的算法既享有高效的训练速度又具有可扩展性。对四个基准数据集进行了大量实验,证明了本文方法对零样本学习任务的优越性和高可扩展性。针对未知类别的属性难以获取的问题,本文提出一个基于属性的深度生成网络的零样本学习方法。这个方法利用类别名称的词嵌入作为属性的补充。使得在只存在未知类别的词嵌入的情况下,仍然可以进行零样本预测。尤其是在训练阶段,将视觉特征,属性以及词嵌入作为样本的三个不同视角,并且给每个视角分配一个编解码器。本文的方法保证了健壮的同一视角的重建以及不同视角之间的生成,同时也保证了对类别的判别。在未知类别的属性不存在的情况下,本文的方法可以根据其类别名称的词嵌入生成对应的视觉特征,从而进行零样本预测。此外,在训练时缺少属性或者词嵌入的情况下,本文的方法仍然可以灵活地迁移过去。针对直接将属性作为中间语义空间,带来的映射域漂移和枢纽度问题。本文的方法可以在视觉空间内生成视觉特征,避免了上述两个问题。通过在四个数据集上和最新水平的方法的比较,证明本文的方法可以取得了更好地效果,同时更好地克服之前方法的缺点。