深度学习技术的快速发展极大地促进了图像分类任务的进步。然而,深度学习本身是一种数据依赖的学习范式,需要大规模的人工标注数据用以训练模型。在真实世界中,为不可胜举的类别样本进行有效的人工标注是费时费力且不切实际的,此外,对于某些罕见的类别,我们常常难以收集到足够的样本,甚至没有样本以支撑训练。因此,零样本学习（Zero-shot Learning,ZSL）逐渐受到人们的关注,其目标是解决目标任务训练样本为零的条件下的图像分类问题,即零样本图像分类问题。零样本学习通过模仿人类的推理能力,借助辅助语义信息作为已知类和未知类连接的桥梁,在嵌入空间下构建视觉信息和语义信息的跨模态映射,实现跨模态信息的语义对齐,从而完成未知类样本的分类任务。然而,视觉信息和语义信息因本身模态的差异性,面临着语义鸿沟问题,难以在嵌入空间下建立良好的跨模态语义对齐关系。因此,本文围绕嵌入空间下跨模态语义对齐方法展开研究,从构建主动的注意力机制以及构建属性对比约束两个角度出发,实现跨模态信息的语义对齐。本文的主要研究内容如下:第一,提出一种基于混合路由Transformer的零样本图像分类方法。已有的基于注意力机制的零样本学习方法忽略了视觉信息与语义信息因本身的模态差异性而导致的语义鸿沟问题,均采用无模态差异缩小的被动的注意力机制对二者进行加权,从而无法捕捉到属性真正相关的视觉区域,实现嵌入空间下真正的跨模态语义对齐。为此,本文提出一种主动的注意力机制,在嵌入空间下通过使用两种胶囊网络的动态路由,以自上而下和自下而上结合的方式实现语义特征的主动引导和视觉特征的主动学习,从而获取语义真正对齐的视觉特征,缩小视觉信息和语义信息的模态差异,建立有效的跨模态语义对齐关系。此外,本文较早地提出以Transformer的形式构建零样本图像分类框架,通过编码解码的方式完成零样本图像分类任务,为以后的研究提供了一种重要的解决思路。实验表明,本文所提的基于混合路由Transformer的零样本图像分类方法能够有效地缓解模态差异,实现跨模态信息的语义对齐,进而大幅度提高零样本图像分类的正确率。第二,提出一种基于对比约束的零样本图像分类方法。已有的基于嵌入空间的零样本学习方法忽略了对语义属性本身的探索,缺乏语义属性在视觉特征上的高判别性、鲁棒性的特征表达,从而无法实现有效的跨模态语义对齐。为此,本文在基于嵌入空间的方法上引入对比学习,让同一类别下不同样本预测的正向语义属性尽可能的相似,不同类别下预测的负向语义属性尽可能的远离,以此来提升零样本图像分类任务中具有判别性以及鲁棒性的语义属性图像特征表达能力。此外,本文引入Mean Teacher机制,将采用不同数据增强的图像分别输入给学生模型和教师模型,并在两个模型之间构建一致性约束,以此来进一步提升跨模态信息映射的鲁棒性。实验表明,本文所提的基于对比约束的零样本图像分类方法能够有效地提升语义属性的图像特征表达能力,建立出良好的跨模态语义对齐关系,大幅度提高零样本图像分类的正确率,且此模型取得了目前该领域领先的零样本图像分类性能。