随着互联网技术快速地发展,网络上的图像、视频等数据资源呈现爆炸式的增长,人们可以通过微信、QQ、Facebook等各种社交工具随时随地拍摄照片并且上传到互联网上。然而一个关键的弱点是:大部分的数据都是未标注的或者只有少量标注。那么面对这样海量的未标注数据,如何让计算机自动的理解其中内容,进而进行有效的分类、管理和检索推荐等,成为了学术界和工业界急需解决的难题。不同于人类拥有举一反三的能力,即人类非常擅长在没有直接监督的情况下识别出很少见到的物体,或者用其他领域的知识来辅助识别物体,大部分可靠的机器学习识别算法都是建立在大量的监督信息上的。然而对数据进行标注往往是昂贵且耗时的。针对这种挑战,通过把已标注数据集上的知识迁移到未标注数据集进行模型训练可以有效缓解对标记数据的依赖问题。但数据集之间的两种差异使得迁移学习变得困难:样本分布差异和类别空间差异。针对这两种差异,本文分别提出了基于域适应和零样本学习的算法。论文主要工作如下:(1)针对样本分布差异:本文提出了一种新的属性辅助网络,用以将域知识从真实图像迁移到草图。该方法在属性约束的辅助下学习了真实图像的一个子空间,该子空间捕获了动物的“颜色”和“皮毛”等领域特定属性。通过使用域约束捕获图像和草图共享的表示,如边缘和低层几何,学习共享子空间。通过将共享特性与真实图像的私有特性分离,属性辅助网络能够分离出真实图像所特有的信息,并生成更易于传输到草图域的表示。实验结果表明了算法的有效性。(2)针对类别空间差异:本文提出一种基于语义注意力的比较网络。不同于以往基于特征距离度量的零样本学习方法,将属性语义特征与图像特征映射到共同子空间后,采用固定的人工定义的相似度量或者线性分类器来判断未见过的图像类别。该模型通过辨别性深度卷积网络提取出更有区分度的图像特征,使用基于注意力的卷积网络计算出语义与图像特征间的距离度量来判断未见过的图像类别。