在医学、航空等图像资源稀缺的领域,传统深度学习中需要大量图像样本进行训练的要求无法得到满足,而零样本学习的出现就解决了训练阶段图像稀缺的问题,它可以通过对图像数量充足的类别的训练实现对图像资源稀缺类别的识别和分类。本文选取基于生成模型的零样本学习方法为研究对象,以提高四种不同零样本学习设置下的图像分类准确率为目标进行研究和实验。本文提出了一种改进的变分自编码器（VAE）和生成对抗网络（GAN）融合模型CA-VAEGAN模型用于零样本学习。本文所提出的模型包含四个模块:第一个模块是语义和特征嵌入模块,该模块由变分自编码器的编码器组成;第二个模块是特征生成器模块,该模块将VAE中的解码器和GAN中的生成器共享相同的参数进行融合;第三个模块是生成特征鉴别器模块,该模块由GAN中的鉴别器组成;第四个模块是改进的语义嵌入解码器反馈模块,该模块由语义嵌入解码器子模块和反馈子模块两个子模块组成,该模块将已知类别语义嵌入和合成特征进行解码重构并生成重构后的语义嵌入,随后基于重构后的语义嵌入生成反馈因子。再将反馈因子与真实语义嵌入通过交叉对齐损失进行调整,随后再次输入特征生成器模块中以实现对合成特征的不断微调和优化。通过不断的对抗训练和合成特征的迭代优化,最终实现分类准确率的提升。在改进模型的基础上我们进行了大量的实验来验证本文模型的有效性。本文选取了四个零样本学习的基准数据集并在四种零样本学习设置下进行实验。实验结果表明本文模型在四个数据集上都在一定程度上提升了分类准确率。其次通过参数敏感性分析实验发现本文所加入的交叉对齐损失能够实现对反馈模块的反馈因子的微调。最后通过模型稳定性分析实验得出本文的模型在训练中稳定性不错,能够适应多种零样本学习设置的实验。