近年来机器学习技术已取得长足的进展,广泛应用于图像识别、分类等领域。基于机器学习解决图像识别通常需要大量有标注的样本用于训练模型,但现实中会存在一些稀有或细粒度对象类难以获取训练样本的情况,零样本学习(Zero Shot Learning,ZSL)应运而生。零样本学习旨在解决训练集和测试集没有类别交集的情况下对测试集的正确分类问题。为了区分起见,零样本学习中通常称训练集为可见类样本集或可见类训练集,测试集为未知类样本集或未知类测试集。零样本学习通过迁移已知类的知识到未知类,实现未知类样本识别,迁移的知识必须能把可见类与未知类关联起来,通常假设所有可见类和未知类共享语义空间,并且语义空间与特征空间相关。映射域漂移是制约零样本学习性能提升的一个关键问题,导致该问题主要原因是从特征空间到语义空间的映射是基于可见类学到的,因此学习到的映射应用于未知类从特征空间到语义空间的投影很可能产生偏差。为了解决映射域漂移问题,研究人员提出了面向零样本学习的语义自编码器,不过受限于语义向量的表达能力以及样本与语义向量之间的多对一对应关系,该方法仍有待改进。本文以语义自编码器(Semantic Autoencoder,SAE)为基线模型,研究了基于聚类方法扩充辅助样本以及对语义向量进行扩展,应用于SAE增强了ZSL的图像分类能力。本文还借鉴了DAP(Direct attribute prediction)方法的思想,提出了一种基于注意力的语义向量学习网络(Attention-based Attribute Learning network for ZSL,AALN)。具体地,本文工作主要包括以下三个方面:1、提出基于扩充样本的零样本学习。在传统SAE零样本学习方法中,直接基于训练样本集学到的映射函数预测测试样例的语义向量,进而进行分类。由于同类的多个样本对应一个语义向量,而如果测试样本是噪声点或者离群点,势必产生分类错误。因此提出基于辅助样本的零样本学习方法,即引入无监督聚类算法,限定测试样本的搜索范围,再根据聚类原型、聚类后类内k近邻特征融合和基于k近邻的投票方法改进SAE,提升零样本分类性能。2、提出基于语义相似度性的语义向量扩展。经典的SAE中,每类的语义向量由人工标注的属性值构成,这种语义向量不能有效区分相似类。为了判别地描述各语义向量,描述原语义向量之间的关系是必要的。借鉴人类的认知过程,本文提出基于语义向量预聚类和语义向量相似度的语义扩展方法,类间判别性描述信息的引入提升了SAE的零样本图像分类性能。3、提出基于注意力的语义向量表示学习网络,DAP方法通过监督学习得到属性向量每一维的后验概率,对属性向量的每一维单独进行预测。但每个样本的特征对单一的属性值的预测是存在冗余的,通过为每个样本特征计算注意力向量,提取样本特征针对语义向量每一维的贡献,从而提升直推式零样本图像分类方法的性能。