通常图像识别任务中,进行模型训练和测试的样本类别是统一的,然而对新的类别样本进行识别时需要对新类别样本数据集进行类别标注,极大的耗费人力,也增加模型的构建难度,基于此本课题对零样本学习进行研究,解决缺少标签样本下的学习任务。由于零样本图像分类的类别特性,已知类别和未知类别之间不存在类别交叉,想实现测试样本的分类,则需要发掘出训练类别和测试类别之间的语义相关性,通过两者的语义关联完成类别间的相关信息迁移,当新类别对分类模型进行测试时依旧可以在新类别信息未知的情况下根据已知类别信息进行分类。当某些样本的图像难以获取时,如濒危物种,通过零样本学习利用大量的其他类别训练分类模型,依旧可以在图像资料难以获得的情况下完成分类,可以带来巨大的生物学进步。虽然零样本分类可以通过已知类别来预测未知类别,然而由于训练样本类别和测试样本类别的不相交性导致在分类中会存在域偏移问题,因此本文提出了基于公共特征空间的零样本分类模型。首先根据样本间类别的语义关联构造出关联矩阵,将语义关联矩阵应用于视觉特征空间,构建出未知类别的视觉特征表示,与已知类别的视觉特征共同作为训练阶段的已知信息,扩充视觉特征,由此可以利用学习到的视觉特征表示来解决训练样本类别和测试类别样本之间不相交的问题,缓解域偏移问题。除此之外在学习到的公共特征空间中利用特征反向映射重构的思想,减少样本特征信息的损失,保留更多有利于分类的特征。针对在语料库提取语义词向量时存在冗余影响分类预测的问题,本文根据稀疏表示字典学习方法进行去冗余操作,使改进算法更适用于零样本图像分类技术。同时,在公共特征空间中引入聚类算法,在训练时,可以使映射到公共特征空间后的相同类别的不同样本的特征聚为一类,构成一个已知域,增加了样本类别之间的相关性。当测试过程出现未见类别样本时,可以根据训练样本的已知域来对未知类别样本进行分类,使构造的邻域更加具有可解释性和判别性,提高零样本分类性能。同时也缓解了映射后存在的hubness现象,弱化了无关特征点对分类效果的影响。利用数据集进行实验,分别在语义特征提取阶段和零样本公共特征空间学习阶段使用提出的KSFM稀疏表示算法和聚类算法,所提出的ZSCFS零样本分类模型以及优化算法不仅可以缩短计算机计算时间,在AWA数据集上与传统的ESZSL模型进行对比可以提高11.3%的准确率,证明了模型的有效性。