随着近些年来深度学习的快速发展,深度神经网络已经在有监督图像分类任务上取得了超越人类的表现。但是有监督学习模型在训练阶段需要大量有标注数据,而在实际应用场景中收集完整且可靠的数据几乎是不现实的。为了解决实际场景中数据缺乏的问题,迁移学习这一概念被提了出来。它试图将从已知数据域上学到的知识进行迁移,并实现对未知数据域进行学习的目的。其中,广义零样本学习作为一种模拟极端情形下知识迁移的任务,受到了广泛的关注并涌现了大量相关研究工作。尽管现有广义零样本研究已经取得了不错的效果,但是诸如域偏置等常见的问题依旧没有得到很好的解决。不仅如此,虽然广义零样本学习是一种更贴近实际场景的知识迁移任务,但是现有广义零样本学习的研究工作中缺少对模型鲁棒性进行讨论的工作。然而在更为实际的场景中,不仅数据收集是难题之一,收集到的数据本身是否可靠、知识迁移借助的中间媒介是否可信,也对最终的任务结果具有重要影响。基于上述观察,针对目前广义零样本学习中的域偏置问题依旧没有得到有效的缓解,以及缺乏对模型鲁棒性进行系统性讨论的现状,本文以生成式广义零样本学习为主题展开以下研究:（1）针对现有生成式广义零样本学习模型仍然不能够很好地处理域偏置问题的现象,本文提出了双向生成的思想,并设计了双向生成对抗网络来进一步缓解域偏置问题。利用语义表示天然具有的类判别性,双向生成对抗网络将构造的视觉样本再次映射回语义空间。从而在实现构造具有类判别性样本的同时保证同类生成样本的语义一致性,以此来提升广义零样本学习水平;（2）针对现有广义零样本学习研究中缺乏对模型鲁棒性进行系统性讨论的现状,本文提出了基于对抗攻击的鲁棒双向生成框架,并以此展开对生成式广义零样本学习模型鲁棒性的讨论。为了验证提出的鲁棒性框架的有效性,本文分别选取了具有代表性的基于VAE和基于GAN的生成式广义零样本学习模型来执行鲁棒性实验并进行了细致的分析。（3）出于目前广义零样本学习研究中缺少系统性的鲁棒性评估方案,本文提出了一套完整的广义零样本学习鲁棒性评估方案。从可能遇到的干扰情形的构建,到鲁棒性测试流程,再到最后的鲁棒性评估指标,本文提出的鲁棒性评估方案为后续进一步的鲁棒性研究开展提供了基础。