零样本图像分类利用已知类数据进行训练,借助辅助信息将已知类的知识迁移到未知类,从而实现对未知类的识别,有效解决了现实中新物种标注不足的问题,促进了图像分类领域的发展,具有巨大的研究和应用价值。本文针对零样本图像分类中存在的领域偏移、属性描述能力不足和枢纽点问题,在语义自编码模型的基础上,结合对比学习、语义约束和视觉约束进行研究,提出了两种基于自编码器的零样本图像分类模型,主要的研究内容如下:1.针对零样本图像分类中的领域偏移问题,提出一种基于未知类语义约束自编码的零样本图像分类模型。首先,利用预训练的Res Net101网络进行特征提取,通过计算得到已知类的视觉中心,并采用无监督聚类算法得到未知类的视觉中心;其次,利用编码器将已知类的视觉中心映射到语义空间,与语义类原型进行对齐;然后,利用解码器将已知类的映射语义向量重构为视觉特征,与视觉中心进行对齐;同时,利用未知类语义约束项对自编码器的训练进行约束;最后,在语义空间中计算待测样本的语义向量与各测试类原型之间的相似性,采用最近邻算法实现零样本图像分类。2.针对零样本图像分类中属性描述能力不足和枢纽点问题,提出一种基于潜在属性扩展与未知类视觉约束自编码的零样本图像分类模型。首先,利用预训练的对比学习模型提取所有对象类的潜在属性,并采用全连接网络将潜在属性与已有的语义属性加权拼接组成混合属性;其次,将视觉空间作为嵌入空间,利用自编码器学习语义空间到视觉空间的映射模型,同时利用未知类视觉约束项对自编码器的训练进行约束;然后,将未知类的混合属性送入训练好的编码器中,得到未知类的预测视觉中心,并将其与已知类的真实视觉中心共同构成视觉空间;最后,在视觉空间中计算待测样本的视觉特征和各测试类视觉中心之间的相似性,采用最近邻算法实现零样本图像分类。本文分别在Aw A2数据集和CUB数据集上进行了实验,并对结果进行了对比分析,验证了本文所提出的两种模型均能有效提升零样本图像分类的性能。论文共包含图30幅,表8个,参考文献106篇。