在零样本图像识别中,标签已知的样本集称为源域,标签未知的样本集称为目标域,源域中样本的类别标签不同于目标域中样本的类别标签。零样本图像识别算法利用语义属性作为桥梁,将源域的知识迁移到目标域,从而识别目标域中样本的标签。已有的零样本图像识别算法将源域中训练出的识别模型直接应用到目标域,忽略了已知类样本集和未知类样本集在样本分布上的差异性,会导致投影域迁移问题。此外,目前的零样本图像识别模型用样本所属类别的原型属性当做样本的属性,导致类内样本属性多样性下降,极大限制了模型的泛化能力。针对上述问题,本文的主要研究内容如下:第一,为了缓解投影域迁移问题,本文提出基于属性约束自编码器的零样本图像识别算法(ACAR)。首先,利用自编码器在源域中训练得到已知类样本的特征到属性空间的投影矩阵。然后,在目标域中使用自编码器,通过添加投影矩阵的约束项将源域的自编码器和目标域的自编码器关联起来。并且在目标域的自编码器中添加未知类样本的属性约束项,通过迭代算法得到未知类别样本的属性。最后,利用余弦相似性预测出未知类样本的标签。此算法同时利用源域的样本信息和目标域的样本信息来学习投影矩阵,结合对未知类属性的约束,能缓解投影域迁移问题。第二,为进一步提高识别准确率,本文在ACAR算法的基础上提出基于双自编码器的零样本图像识别算法(CALC)。首先在源域的自编码器部分添加一项关于已知类样本原型属性和源域投影矩阵的约束项。然后结合CALC算法求出未知类样本的属性。最后通过余弦相似性预测得到未知类样本的标签。与ACAR算法相比,CALC更能提高识别准确率。第三,为了提高对样本属性刻画的准确度,本文提出基于样本属性自编码器的零样本图像识别算法(TALC)。首先,利用自编码器在源域中学习出已知类别样本的属性。然后,用学出的样本属性替换该样本类原型属性,利用CALC算法求出未知类别样本的属性。最后,利用余弦相似性预测得到未知类样本的标签。该算法利用自编码器在源域中学习样本的属性,将CALC算法中源域原型属性替换为样本属性,从而提高了模型的精确性。为验证本文所提方法的有效性,本文在零样本图像识别的基准数据库Animal with Attribute(AwA)、Caltech-UCSD Birds 2011(CUB)和aPascal&aYahoo(aPY)上进行了图像识别实验,并将所提方法与目前主流的零样本图像识别算法进行了比较。实验结果证明了ACAR算法能有效缓解投影域迁移问题,CALC算法和TALC算法在识别准确度上优于已有方法。