零样本图像分类是指在标记训练样本不足以涵盖所有对象类的情况下,对训练阶段未出现的新对象类进行分类。传统分类器无法正确分类训练阶段不可见的新类别。基于属性学习的零样本图像分类,利用属性作为对象类语义和视觉信息的刻画,将属性作为对象类的共享中间表示,从而实现可见类别与不可见类别间的知识传递。基于属性学习的零样本图像分类模型的分类效果很大程度上受限于属性描述能力和涵盖能力,针对这个问题,本文的主要研究内容为:第一,提出了基于关系非语义属性扩展的自适应零样本图像分类模型。首先,利用弹性网约束的二阶字典优化方法对对象类的特征进行重构,挖掘语义属性与非语义属性间的相关关系,从而获得对象类的关系非语义属性以提高属性的空间描述能力;其次,将语义属性与关系非语义属性相结合,构成增强属性表示空间,扩大属性的涵盖能力;然后,结合字典学习映射关系,利用领域自适应思想实现训练域与测试域在共享属性空间上的分布差异最小化;最后,结合属性与类别的映射关系,利用间接属性预测模型实现目标域中测试样本的标签预测。第二,提出了基于多任务扩展属性组的零样本图像分类模型。首先,将类别标签作为扩展属性,提高属性空间的涵盖能力;其次,基于训练样本采用结构化稀疏方法。构建基于属性分组和类别分组的多任务学习模型,挖掘属性间与类别间的相关关系;然后,通过杰卡德相关系数挖掘所有类别(训练类与测试类)间的相关性,得到类别-类别关系矩阵;最后,构建类别-属性-特征全连接模型,实现零样本图像分类。在室外场景、鞋类以及动物数据集上进行实验。实验结果表明,与对比方法相比,所提模型能够获得更好的零样本图像分类识别率。