在图像分类的实际应用中,未见类样本时常因标签无法获得而不能正确分类。零样本图像分类利用可见类样本的语义知识迁移来预测未见类样本的标签。在传统的零样本图像分类问题中,分类任务只针对未见类图像。而广义零样本图像分类中,测试样本既包含可见类样本又包含未见类样本,更符合实际应用。如果利用传统的零样本分类方法,在可见类上计算视觉和语义空间之间的跨模态映射函数,之后应用于广义零样本图像分类问题上时,会导致领域漂移问题。利用深度学习和生成模型合成未见类样本来训练分类器能部分解决领域漂移问题。但生成样本缺乏判别性且会影响分类器对可见类样本的识别准确度。本文针对上述问题,提出了基于回归变分自编码模型解决领域漂移问题。并提出了基于开集识别与生成对抗网络模型解决生成样本缺乏判别性和影响分类器对可见类样本分类准确度的问题。本文的主要工作和创新点包括:1.针对基于映射模型方法在进行语义与视觉跨模态映射时会产生领域漂移的问题,提出了一种基于回归变分自编码器的模型。首先,将属于同一类别的视觉特征和语义特征,输入到两个以对齐交叉重建的方式结合在一起的变分自编码器中。其次,对生成的伪视觉特征通过回归网络进行语义约束。最后,利用此模型生成未见类生成样本,并和可见类样本一起训练双层级联softmax分类器。利用第一层softmax分类器的结果信息对第二层softmax分类器进行优化,用第二层分类器的分类结果作为最终的预测结果。2.针对生成样本缺乏判别性,和未见类生成样本影响分类器对可见类样本识别准确度的问题,提出了一种基于开集识别与生成对抗网络模型。首先,将回归网络和识别网络添加到条件变分自编码器网络中,与判别网络组成对抗学习框架。其中识别网络通过增大类间差异为生成样本增加识别性,回归网络为生成样本附加语义约束。其次,使用开集识别算法将测试样本中的未见类和可见类样本分开。最后,为可见类和未见类测试样本训练各自独立的分类器。以此解决现有方法中将未见类生成样本和可见类真实样本一起训练导致的可见类准确度被影响的问题。本文在AWA1、AWA2、SUN和CUB四个数据集分别进行了回归变分自编码器、开集识别与生成对抗网络的有效性实验。实验结果表明,本文提出的两种方法在广义零样本图像分类的评价标准下较主流方法准确度均有提高。同时也证明了基于回归变分自编码器模型可以有效地减少领域漂移问题,基于开集识别与生成对抗网络模型能够减少可见类准确度被未见类生成样本影响的问题。