汉字是世界上最古老的文字之一,它是中华民族历史和文化传承的载体。在日常生活中,越来越多的应用场景需要中文文字的识别技术,例如中文古籍文档电子化、作业批改和版面还原。汉字具有类别数量庞大（GB18030-2005的标准中有70244种汉字）、笔画结构复杂和字体风格多样的特点。然而,传统的文字识别方法需要大量的有标注数据进行训练,因此为每个汉字收集和标注足够的数据是一件困难的事情。为了解决该问题,在样本不足甚至某些类别没有样本的情况下进行零样本的中文文本识别成为一个重要的研究方向。本文基于零样本学习框架,对零样本中文单字识别和文本行识别,分别提出了新的解决方案。本文的研究和主要创新包括:（1）针对层级分解嵌入算法中存在的人工设计类别嵌入,以及采用单一的度量方法进行匹配的问题,本文提出了用于零样本中文单字识别的深度嵌入网络（Deep Embedding Network）。该网络引入了深度嵌入模块,解决了类别嵌入完全由人工设计的问题。为了改进匹配的方法并实现零样本识别,本文提出了基于交叉注意力机制（Cross-attention Mechanism）的解码器,它通过类别嵌入去查询相关的视觉特征,并进行解码得到识别结果。实验证明,在中文单字识别任务上,深度嵌入网络的识别性能优于层级分解嵌入的算法,并且相比于其他的零样本单字识别算法也具有优越性。（2）针对零样本的中文文本行识别问题,本文提出了一种基于匹配类别嵌入（Matching Class Embedding）的零样本中文文本行识别模型。该模型采用类别嵌入模块对汉字的类别进行编码,解决了文本行的部件序列过长的问题。为了实现零样本识别并提高解码的效率,进一步提出了基于距离的时序连接序列解码器,该解码器实现了视觉特征和类别嵌入的匹配,并且能够在文本行上并行地进行预测。实验验证了该方法在中文文本行识别任务上,对未见过类别的汉字有出色的识别效果,同时对已见过类别的汉字也保持了较高的识别性能。总而言之,本文针对零样本中文文本识别,对单字识别和文本行识别进行了相关的探索与研究。希望本工作能够对从事相关领域的学者起到一定的启发作用。