近年来,基于监督学习的图像分类方法取得了良好的分类效果,但这些分类效果依赖于大量标记样本。考虑到对大量样本的标注在成本与时间方面均造成了过度消耗的问题,零样本图像分类技术应运而生。零样本图像分类借助辅助信息和可见类别图像信息,可实现对未见类别图像的分类。当前,在零样本图像分类领域中,基于生成式模型的零样本图像分类方法取得了可观的效果,然而此类方法存在一些问题,例如无法保证生成样本的质量、辅助信息存在局限性和难以分辨相似类别的图像等。针对以上问题,提出了两种新型的零样本图像分类模型,主要内容如下:（1）为了提高生成的伪图像特征质量,提出了一种基于生成特征约束的零样本图像分类模型GFCGAN（Generative Adversarial Network based on Generative Feature Constraint）。首先,在生成式模型Lsr GAN（Generative Adversarial Network Leveraging the Semantic Relationship）基础上,添加一个语义限制模块,将生成的伪图像特征映射到语义空间,得到了特征的语义嵌入,通过减小语义嵌入与所属类别属性的距离,得到语义一致的图像特征,减轻了领域偏移问题;然后,提出了生成特征约束损失GFC Loss（Generated Feature Constraint）,通过在特征空间和语义空间中扩大伪图像特征和相似类别原型的距离,使伪图像特征具有判别性;最后,利用训练好的分类器,实现对未见类别图像的分类。在标准的零样本分类数据集上进行实验,验证了GFCGAN模型的有效性。（2）针对语义信息表达能力不足及相似类别的图像特征容易被错误分类的问题,提出一种基于潜在属性和潜在特征的零样本图像分类模型LALFGAN（Generative Adversarial Network based on Latent Attribute and Latent Feature）。首先,基于GFCGAN模型,采用线性映射对人工定义的属性进行组合和学习,使映射之后的潜在属性更具有区分性,并且提升了潜在属性的语义表达能力;然后,利用字典学习技术,对生成的伪图像特征以及可见类别的图像特征进行学习,得到相应的潜在图像特征,并通过建立潜在图像特征与潜在属性的关系,使得潜在图像特征更具有判别性;最后,在标准的零样本分类数据集上进行实验,以验证LALFGAN模型的有效性。