基于深度学习的图像分类方法已经在多个智能识别领域中得到了令人瞩目的成就。然而随着深度学习的使用,其限制也逐渐出现。它需要为每类保证大量的标记训练数据。然而,很多实际情况很难满足此。所以零样本学习的出现解决了这一问题。基于深度学习的零样本学习不仅可以解决标记数据缺少问题,还对探索真正的人工智能有重大的意义。本文对零样本学习进行了研究,具体研究成果如下:(1)针对语义特征嵌入图像空间的深度回归模型的约束力和鲁棒性不足问题,提出了一种基于语义对齐和重构的零样本学习算法。算法以语义特征嵌入图像空间的深度回归模型为基础。针对嵌入的语义特征易于趋向空间原点而成为枢纽点的问题,提出加入语义对齐约束,使嵌入的语义特征和图像特征中心点靠近,从而减小语义特征的偏移,进一步缓解枢纽问题对预测正确率的影响。此外,针对鲁棒性不足问题,提出加入语义重构约束,使模型可以保留完整的、正确的语义特征信息,从而提高模型的泛化性,进一步缓解域漂移问题对分类正确率的影响。通过在Aw A(Animals with Attributes)和CUB(Caltech UCSD Birds-200-2011)数据集上实验,可以看到与其他算法相比,本文算法在Aw A上获得了很高的分类正确率,在CUB上也获得了较好的分类效果。此外,通过对所提的两个约束分别实验分析,发现加了约束后的模型比基本模型的分类正确率高,验证了约束在提升模型分类正确率的有效性。(2)针对关系网络比较度量模块忽视了嵌入语义特征的质量对关系分数准确性影响的问题,加入了距离匹配约束来保证嵌入特征的准确分布,进而提高关系分数的准确性。同时针对单一辅助信息对类别描述存在局限性,加入其他辅助信息并使用神经网络将多种语义信息融合来增强语义知识丰富性。为此,提出了基于多语义改进关系网络的零样本学习算法。针对以往卷积网络提取的CUB特征忽视了细粒度图像存在类间差异小、类内差异大的现象的问题,引入双线性卷积网络提取细粒度图像特征,因而提高了在不同类别之间的判决能力。为此又提出基于双线性卷积网络和多语义改进关系网络的零样本学习算法。将提出的两个算法分别在Aw A和CUB上实验,可以看到与其它零样本算法相比,两个算法分别提高了Aw A和CUB的分类正确率。通过对所提的距离匹配约束和多语义信息分别进行实验,验证了它们在提升分类正确率的有效性。此外,对CUB的双线性特征和其他卷积网络特征进行可视化分析与对比,证明了双线性卷积网络提取细粒度图像特征具有较好的类内的汇聚性和类间的区分性,提高了在不同类别之间的判别能力。