随着深度学习在人工智能领域中的广泛应用,图像识别的精度得到较大提升。然而,基于深度学习的目标识别依赖于海量带标注的数据。但是,对现实世界中的海量数据进行标注成本昂贵,且有些罕见的数据获取困难。在此背景下,零样本识别的方法被提出,其关键思想是模拟人类的知识迁移能力,通过对可见类样本的学习,达到对不可见类样本进行识别的目的。其中可见类和不可见类分别表示带标签的类别和未带标签的类别。该方法广泛应用于计算机视觉的各个领域,如虚拟场景识别、交通场景识别和自然语言处理等。随着生成对抗网络（Generative Adversarial Network,GAN）的研究与发展,基于生成对抗网络的方法在零样本识别领域取得了较好的效果,但仍存在不足,如由于在知识迁移的过程中存在域偏移问题,导致对不可见类的识别往往会偏向于可见类;其次,由于通过生成对抗网络生成的特征存在大量冗余信息,导致不可见类的识别精度受到干扰。针对零样本图像识别过程中存在的问题,本文主要对如下两方面的工作展开研究。（1）提出了一种基于去冗余特征和语义关系正则化的零样本属性识别方法。模型对视觉特征进行了去冗余处理,在去除冗余视觉特征的同时保留了类别的相关性,由于在识别过程中减少了冗余信息的干扰,从而提高零样本识别的精度;利用可见类和不可见类之间的语义关系建立知识迁移模型,并引入语义正则化损失,使得生成器生成的视觉特征更能够反映可见类和不可见类之间语义关系,缓解了可见类与不可见类之间的域偏移问题;此外,在模型中引入了循环一致性结构,进一步使得生成的伪特征更接近于真实特征。在AWA、CUB、SUN和APY四个数据集上进行验证,并与现有较先进的零样本识别方法相比较,提出的方法对于零样本识别任务和广义零样本识别任务的精度分别得到提高。为了验证提出模型的泛化性能,将提出的方法应用到零样本图像检索和基于文本的零样本识别任务中,实验结果证明了提出的模型具有较好的泛化性能,且容易拓宽到其他应用中。（2）提出了一种结合迁移引导和双向循环结构的零样本文本识别方法。算法首先构造双向循环结构的GAN以提高模型的生成能力,从而使生成的伪特征更接近于输入的真实特征;其次,受人类知识迁移能力的启发,引入了迁移引导学习的思想,将可见类文本向不可见类文本进行迁移,并使用迁移后的文本代替可见类文本对模型进行训练,以提高不可见类文本的识别精度;此外,为了缓解训练过程中的模式崩溃问题,在模型中增加了一个有效的正则化项,使得生成器在训练过程中生成的结果更具有多样性,从而提高了生成模型的稳定性。最后在CUB和NAB两个数据集上进行实验,与现有较先进的零样本识别方法相比,提出的方法在零样本识别和广义零样本识别任务中的识别精度均得到提高。进一步,为了验证提出模型的泛化性能,将提出的方法应用到零样本图像检索和基于属性的零样本识别任务中,实验结果证明了提出的模型具有较好的泛化性能,较容易拓宽到其他应用中。