零样本图像分类属于图像分类领域,是受人类推理能力的启发而提出的一项新技术。零样本分类的任务是识别在训练阶段没有训练样本的未见类别样本。实现零样本分类目标的途径是将可见类别知识迁移到未见类别,现有的方法通常利用某种类级语义表示(如“视觉属性”和“词向量”)将可见类别和未见类别建立联系。因此,如何得到视觉样本和类别语义信息之间的映射关系是零样本分类的关键。此外,训练类别和测试类别不相交导致的域偏移问题也会影响零样本分类方法的性能,因此解决域偏移问题是零样本分类的另一个关键点。本论文首先提出了一种基于判别字典学习的零样本图像分类方法,它不直接通过带标签的可见类别样本的视觉特征和类别语义特征建立映射关系模型,而是利用类别语义特征在隐空间中的映射特征对原始视觉特征进行重构,减少了样本的类别语义特征之间存在的冗余信息。其次,基于前述方法,进一步提出了一种基于直推判别字典学习的零样本图像分类方法,所提方法通过利用预测的测试集分类结果对学习到的模型进行重新优化,从而学习得到一个更具普适性的映射关系,修正了零样本图像分类中的域偏移问题。最后,所提两个方法在基准数据集(AwA,CUB和SUN)上进行了大量实验,并通过与其他算法的对比验证了其有效性及先进性。