传统的有监督图像识别已经时候一个很成熟的领域,在很多场景下已经有可以匹敌人类鉴别能力甚至超过人类的水平。然而有监督的图像识别往往需要大量的有标签数据作为训练样本,但是有标签数据的收集往往消耗大量的人力物力而且对于某些罕见类别或者在细粒度分类场景下有标签数据的获得往往需要一定的专业知识,这就为数据收集增加了难度。为了解决上述问题,科研工作者们提出了零样本图像识别。零样本识别可以很大程度上缓解我们上述提到的问题,但是零样本识别中存在着比较严重的域偏移,枢纽点等问题,且准确率和有监督的目标识别相比相差甚远。因此,本文围绕对偶生成对抗网络,直推式学习,图像金字塔等策略对零样本目标识别问题展开了研究。在论文的主体部分中,本文以深度学习为基础,主要解决了零样本目标识别中视觉信息和语义信息更好对齐的问题,从而提升分类准确率。本文提出了以下几点新的应用方案。（1）本文在特征层面上引入了一种相互投影的结构将视觉特征和语义特征进行相互生成,并通过生成对抗网络鉴别生成的特征与原本真实的特征来实现二者的分布对齐,使用特征重构的结构使得在特征生成的过程中不丢失关键信息且保证提取信息的显著性;通过使用“不可见类”的视觉特征对模型进行调整以及为“不可见”类预测伪标签并使用这些伪标签进一步调整模型,使得模型在对不可见类的预测上的更好的效果。（2）本文提出了一种基于全局特征和局部特征的多尺度,多层次注意力机制结构来实现零样本图像识别,通过局部特征的文本描述的编码向量对视觉特征加注意力机制实现对语义描述中描述局部特征部分对应的视觉特征的有目的地提取,通过顶层抽象视觉特征实现与全局语义描述的对齐,在提取局部特征的过程中引入多尺度融合策略实现局部特征的更加精确的提取从而实现更好的分类效果。