近年来随着深度卷积神经网络技术的快速发展,基于有监督学习的图像识别方法取得了很大进步。然而,为了实现卓越的分类精度,需要大量人工标注的数据,并且学习出的分类器无法有效迁移到没有标注图片的场景下。因此,如何减少人工在数据方面的工作,以及如何使模型快速适应层出不穷的新样本,成为亟待解决的问题。零样本学习的提出,则有效地解决了此类问题,其旨在让模型具有识别从未见过数据类别的能力。目前对于零样本图像目标识别的研究在诸如分类模型、类别定义等方面均有所进展,但其仍存在一些不足之处。一方面,分类模型自身的表达能力不足;另一方面,类别定义没有充分利用外部描述或知识等辅助信息。为了解决这些问题,论文将分别从分类模型和类别定义着手,提出相应的改进方法,主要包括以下几个创新工作:(1)针对基于映射的分类模型中对映射空间约束不足的问题,论文提出一种基于类内类间约束的语义映射模型SEMIIR,同时对类内类间距离进行优化。(2)针对基于词向量的类别定义中的歧义性和非视觉性问题,论文提出一种基于视觉性修正的语义嵌入算法VMSE,通过引入外部描述对类别向量进行修正。(3)针对先验知识欠利用的问题,论文提出一种基于不同类型知识图谱的带注意力机制的残差图卷积网络模型ARGCN-DKGs,通过引入残差机制和注意力机制,以及融合不同知识图谱的方式,实现类别间知识的有效迁移。将论文所提的三种改进模型分别应用于各个标准数据集,实验结果验证了所提模型在多种评估指标上的有效性和优越性。