目标的分类与检索是机器学习研究的基本应用之一,许多实际中的任务都能被视作分类和检索任务来解决。由于深度学习技术的突破,基于大规模有标记样本和大容量的神经网络的方法在许多监督学习任务中的性能极大地超越了很多传统的方法。但是,这种监督分类方法需要足够的有标记样本,并且学习到的分类器不能扩展到训练集中没有的类别,从而也极大的限制了它的应用场景。在许多的应用中,有些类别可能缺乏足够多的训练样本或者甚至没有训练样本。当给定的样本实例是训练集中没有的类别时,这种问题就是一种零样本学习的问题。近些年来,零样本学习的研究逐渐成为热点,本文主要研究这种零样本学习场景下的图像的分类和检索问题。通过对基于语义-视觉关系映射模型的零样本学习方法进行研究和分析,本文提出了一种基于中间空间分类的零样本学习方法,该方法有效地缓解了零样本学习中所遭遇的投影域偏移、空间缺乏判别性等问题,在图像分类的分类和检索任务上都取得了很高的性能。本文的主要工作和贡献如下:首先,本文提出了一种零样本学习方法,为了构建一个具有足够判别性的中间空间,本文使用了一种联合学习的方法,不同空间的信息能够通过中间空间的表示和对应的基矩阵得到恢复,并且中间空间通过对应的标签信息进行监督具有了足够的判别性。其次,考虑到不同空间的信息可能具有互补性,本文考虑多种空间的信息进行分类,相似性空间和融合空间有较大的差异,本文将构造的相似性表示和融合空间的表示进行结合,进一步提高了性能。最后,本论文进行了更加全面的实验比较,包括基于属性的零样本分类实验、基于词向量的零样本分类实验以及零样本检索实验,并对实验结果进行了分析。