在传统的图像分类问题中,训练一个模型需要依赖大量完备的标注数据。然而,随着现实世界的数据量不断增长,对数据进行人工标注变成了一项极其繁琐冗杂的工作。零样本学习可以有效缓解上述问题,具体而言,零样本学习可以在没有不可见类图像或视觉特征作为训练输入的情况下,利用有限的语义信息,对不可见类图像进行预测分类。因此,研究零样本学习可以使得算法、模型减少对图像类标签的依赖,减少人工标注数据的时间成本,极大地提高相关工作的工作效率。许多基于生成模型的零样本学习方法通过结合VAE、GAN等生成网络,利用不可见类的语义嵌入生成具有标签的实例,将零样本学习问题转换为有监督学习问题。然而,这些方法无法充分利用有限的语义嵌入合成具有高质量的实例。此外,这些方法明显存在对可见类的偏见问题。因此,本文利用现有的条件生成模型技术,提出两种新的方法解决零样本学习问题,其创新之处概述如下:本文提出了一个基于映射转换的零样本学习。该方法结合了度量学习以及GAN和VAE模型,能够拟合与真实分布相似的特征分布。首先,将VAE模型以异步方式训练,并对其设计了一个优化的推理过程,训练过程稳定,能有效缓解生成器坍塌问题。此外,该方法引入了第三方编码空间,通过第三方编码空间实现对特征进行重组,使得同类的特征存在相互依赖关系,并且可以使得所有视觉特征仍能保持原有的编码空间,促进生成器的生成能力。最后,该方法引入潜在空间的循环映射,缩小对可见类的映射空间,缓解对可见类的偏见问题。本文提出了一个基于分层变分自编码器的零样本学习。该方法主要由生成模块和特征核心代理组成。首先,该方法在传统VAE的基础上设计了一种新颖的生成模块,能够更好地拟合的真实的可见类的视觉分布。此外,针对多层次之间潜在变量的KL散度计算,设计了一个轻量化计算方法,有效提高生成模块的表现力。最后,提出了基于特征核心代理,通过加强类间可分离性和减少类内分散性,减轻对可见类的偏差问题,极大地提高了分类准确度。四个标准数据集上（AwA1,AwA2,CUB,SUN）的实验结果表明,本文所提出的两种方法在经典零样本学习和广义零样本学习中,均取得了优异的分类性能,很好地补充与完善了当前基于生成模型的零样本学习的研究。并且,本文分别对两种方法进行了实验分析,证明了两个方法内部的模块可以有效提升零样本学习的准确度。