近年来随着深度学习技术的发展,基于有监督学习的方法出现了巨大的性能提升,尤其是在图像识别方向,其准确率已经超过了人类的识别能力。为了获得这种卓越的分类精度,需要为数据集中每个目标类别提供大量有标签的训练样本。然而,由于有监督方法学习得到的分类器无法很好地迁移到其它类别地图像集中,因此,每遇到一种新的场景便需要重新制作需要消耗大量人工的有标签数据集,这种对有标签数据集的需求极大阻碍了有监督学习的发展。如何使模型能适用在新环境中以减少图像数据集制作中的人工消耗成为了亟待解决的问题。零样本学习出现的目的,便是在于解决这种缺少有标签数据的学习任务。尽管目前基于零样本图像分类的方法已取得了不错的进展,但仍然存在许多需要改进的地方。例如,模型无法有效利用外界丰富的先验知识、语义空间与视觉空间不匹配导致语义间隔等问题。因此,为解决这些存在于零样本图像分类任务中的问题,本论文将从网络模型和类别表征定义两方面提出改进方法,主要包含以下工作:(1)论文提出一个新的基于视觉属性和图注意力机制的关系增强型图卷积网络模型,通过引入基于图的注意力机制和关系增强型知识图谱加强类别间关系以更好地实现语义知识在类别间的迁移。(2)针对零样本学习中存在的语义间隔问题,提出了一种基于语义信息融合的算法,将词嵌入向量与视觉特征描述有效结合起来以减小语义间隔带来的影响。将论文中提出的方法应用于常用的图像分类数据集,并进行相关实验验证了所提出模型的有效性。