现阶段互联网图像信息的数量高速增长,导致现有图像检索方法检索的时间变得更长,也使得检索准确率变得不尽人意。与目前使用频率较高的基于文本或者图像的检索方法相比,基于草图的检索方法因草图绘制更易操作的特性而具有实用意义。但是现有草图数据集的数量有限,往往匹配不了当下研究需求,并且草图检索对未见过的类别表现较差。因此本文将零样本学习与草图检索相结合,可以使得草图检索的应用场景更广泛。本文主要工作如下:（1）基于零样本草图的图像检索在检索的时候,允许出现训练过程中可能看不到的自然图像。现有的方法要么需要对齐的草图图像对,要么需要低效的记忆融合层来将视觉信息映射到语义空间。为了保证模型在训练过程中能够学习到两个模态更加有效的图像特征,本文提出了一种将注意力机制与循环一致思想相结合的模型。该模型中包含了处理草图图像与处理自然图像的两个分支,每个分支都保持特征循环一致性,只需要在类别级别进行监督,避免了对齐的草图-图像对的需求。两种数据模态对应的生成模型在输出时的分类标准可以确保视觉到语义空间的映射具有区分性。此外,本文使用了特征选择自动编码器组合文本和分层辅助信息,该自动编码器在相同的端到端模型中选择有区别的辅助信息。最终使得提取的两个模态的图像特征更加有效,同时可以减少不必要特征,使得计算时间缩短,降低了运算成本。在Sketchy数据集与TU＿Berlin数据集上通过实验验证了该方法的有效性。（2）为了使模型能够学习到两个模态中的公共语义信息,本文提出了一种基于不同模态之间特征重构的模型。首先使用词嵌入模型来提取词向量,然后使用特征选择自动编码器组合文本和分层辅助信息,将提取的语义特征与图像特征映射到特征空间中,在三种模态的特征生成过程中采用了对抗的思想,不同模态之间的特征交叉重构使得语义特征能够有效捕捉到草图与自然图像之间的公共知识。在Sketchy数据集与TU＿Berlin数据集上通过实验验证了该方法的有效性。