目标检测旨在对图片中的目标进行定位和识别,随着深度学习与高精标记数据集的快速发展,该视觉任务取得了重大进展。然而,很多情况难以获得训练样本,这极大限制了识别类别的种类,阻碍了目标检测的实际应用。因此,近几年零样本目标检测得到了广泛的关注。零样本目标检测任务是在测试阶段定位并且识别训练阶段未见过的类别。该任务不需要进行繁重的数据采集,只需要对每个类别进行语义信息标注。与完全监督目标检测相比,零样本目标检测可以大大降低实际应用的标注需求。本文结合目标检测网络和生成对抗网络,在给定语义信息标注下,研究零样本目标检测问题,主要工作反映如下:首先,本文针对零样本目标检测中不可见类与背景混淆的问题,提出了基于语义信息的区域提议网络。通过语义信息和可见类别的视觉特征,使用条件生成对抗网络进行不可见类别的特征合成。最后利用这些合成特征更新区域提议网络中的目标置信度预测器。通过对比现有的方法和消融实验,证明了基于语义信息的区域提议网络能够一定程度上解决不可见类和背景互相混淆的问题,为本文后续的零样本目标检测整体框架的建立提供了基础。其次,本文针对零样本目标检测中的中心点问题,即某一类的语义特征成为大多数类别的最近邻点,提出了用于零样本目标检测的生成迁移网络。该网络将零样本图像识别中的生成式方法引入零样本目标检测框架中。该框架首先利用可见类别数据训练目标检测网络,然后使用可见类别的区域特征以及对应的语义嵌入训练生成网络,接着利用生成网络合成不可见类别的区域特征,最后使用这些合成特征更新零样本目标检测网络的识别分支。通过充分的对比实验和消融实验,证明了本文提出的生成迁移网络实现了较高的零样本目标检测基准性能。最后,与零样本图像识别网络不同,零样本目标检测模型受限于区域特征提取的效果,这些区域特征不仅包含类内特征变化,也包含边界框IoU（交并比,Intersection over Union）变化,所以零样本目标检测网络需要对区域特征的IoU变化具有一定的鲁棒性。基于此,本文提出了一种具有IoU感知的生成对抗网络,该网络可以嵌入上述基于特征生成的零样本目标检测框架中。具有IoU感知的生成对抗网络首先利用标准框特征以及对应的语义嵌入进行标准框特征合成训练,接着再将IoU变化加入标准框特征中。通过充分的对比实验和消融实验,证明了 IoU变化对基于特征生成的零样本目标检测框架的重要性。本文通过引入语义信息和生成对抗网络来解决零样本目标检测中不可见类别与背景混淆问题以及中心点问题,然后提出具有IoU感知的生成对抗网络使得零样本目标检测网络对区域特征的IoU变化具有鲁棒性。本文提出的改进算法及其核心思想为零样本目标检测提供了新颖的视角与思路,对该领域的学术研究具有重要意义。