零样本学习作为机器学习中的一项新的挑战,越来越多的研究者将注意力放在了这一项新的任务上。零样本学习指的是利用类别辅助信息,在没有对应类别训练样本的情况下,对该类别的样本做出正确预测的任务。零样本学习可以根据测试集中样本的类别分为传统零样本学习和广义零样本学习,也可以根据使用数据的不同,分为类别归纳示例归纳式、类别直推示例归纳式、类别直推示例直推式三种。在先前类别归纳示例归纳式的零样本学习研究中,对容易伴随零样本情况出现的类别不均衡问题很少考虑,而且对类别辅助信息的利用比较粗浅,仅用作从语义空间到类别空间的投影。在先前的类别直推示例归纳式的零样本学习研究中,主要存在对可见类偏置问题,预测结果会偏向可见类别,近些年比较流行的使用生成模型生成假样本的方式难以根本解决该问题。本文的主要贡献包括:1.针对零样本学习中类别不均衡和辅助信息使用不充分的问题,将标记分布学习引入零样本学习领域,提出基于标记分布学习的嵌入投影方法,利用类别辅助信息构造标记分布,通过标记分布学习的方式,缓解了类别不均衡问题,同时利用相关标记辅助学习,在类别归纳示例归纳的实验设置下取得了良好的结果。2.针对类别直推示例归纳式的实验设置,分析了该类问题,设计了基于标记分布学习的类别知识迁移网络,通过把零样本学习任务拆分成两个子任务的方式,缓解了对可见类偏置的问题,在多个零样本学习数据集上进行实验,取得了很好的实验结果。本文共分为六章。第一章主要介绍的是零样本学习和标记分布学习的相关概念、研究现状以及本文的研究内容;第二章详细介绍了标记分布学习问题的定义以及已有的算法和评价方法;第三章详细介绍了零样本学习问题以及已有的算法和评价方法;第四章介绍了基于标记分布学习的嵌入投影方法;第五章介绍了基于标记分布学习的类别知识迁移网络;第六章对全文工作进行总结。