随着机器学习和深度学习的飞速发展,图像识别技术已经在多个领域取得了令人瞩目的成就。这些技术训练模型时通常需要大量的有标签数据,以便提升模型的泛化性能,然而收集、标注大量的有标签数据是在现实世界中比较困难的。针对有些训练样本缺失的问题,零样本图像识别技术提供了解决方案。本文对基于神经网络的零样本图像识别算法进行了研究,具体研究成果如下:1.针对基于神经网络的零样本图像识别算法中存在的域偏移和枢纽点（Hubness）两个问题,提出了一种基于神经网络的双向映射模型。首先,对基于神经网络的正向映射模型和基于神经网络的反向映射模型用实验分析和比较,结果表明正向映射模型中存在着明显的域偏移问题和Hubness问题,而反向映射模型虽然在一定程度上避免加重了Hubness问题,但域偏移问题仍然存在。然后,本文对SAE（Semantic Autoencoder for Zero-Shot Learning）模型进行了研究,并借鉴其经典的解决域偏移问题的思路,在基于神经网络的反向映射模型基础上,提出了一种基于神经网络的双向映射模型。该模型在避免加重Hubness问题的同时,有效地解决了域偏移问题。大量实验表明,所提模型在Aw A（Animals with Attributes）上的图像识别率优于其他模型,在CUB（Caltech UCSD Birds-200-2011）上较优于其他模型。2.针对基于神经网络的双向映射模型中存在的Hubness问题,提出了一种基于关系度量的双向映射模型。本文采用关系度量网络代替传统距离度量,实现标签预测过程。这种方法不仅能够绕开最近邻算法中存在的Hubness问题,同时也能够将图像-语义跨模态学习过程和标签预测过程合二为一,从而实现端到端的训练,提高模型性能。大量实验表明,与其他模型相比,基于关系度量网络的双向映射模型很好地解决了Hubness问题,在CUB数据集上获得了非常高的图像识别率,在Aw A数据集上也获得了相当的图像识别效果。3.针对基于关系度量的双向映射模型中存在的训练样本不均衡问题,提出了一种基于中心变化约束和关系度量的双向映射模型。本文在基于关系度量的双向映射模型的基础上,通过增加中心变化约束,来约束映射后的图像特征向量都拉向一个固定半径的超球上,以此解决训练集类别不均衡导致的分类倾向问题,从而更好提高模型的图像识别性能和鲁棒性。大量实验表明,与其他模型相比,增加中心变化约束的模型在一定程度解决了训练样本不均衡问题,在Aw A数据集上模型性能和鲁棒性都有所提升,在CUB数据集上模型性能和鲁棒性相当。