人工智能在近些年已经取得了巨大的成就,并且未来相当长一段时间,依然会是社会关注的主要领域。训练出更加智能的网络模型,给人们提供更多的便利,成为了越来越多的学者研究的主要内容。有监督学习经过多年的发展,逐渐暴露出它的一些缺点,比如需要大量的标注数据,并且模型只能识别在训练过程中学习的类别,对于没有学过的类别就无能为力。然而在互联网高速发展的时代,数据量呈指数级增长,需要人工智能网络识别的类别也越来越多,单纯靠人工标注的数据去训练模型越来越难以实现。零样本学习不需要带标注的目标类别的数据,只需要通过对可见类和共享的语义知识的学习,实现类似人的推理能力,完成知识从可见类到不可见类的迁移,得到了越来越多学者的重视。本文提出一种新型且有效的基于紧凑双线性池化和相似性比较的少（零）样本学习网络。具体来说,本文通过比较源域或者目标域的图像的相似性差异来解决这个问题。首先嵌入模块提取输入的样本的视觉特征,同时本文引入空间注意力机制,通过紧凑双线性池化的方法对提取到的特征进行加权处理,使更加有区分性的视觉区域可以在模型的学习中得到关注。然后在关系模块中,本文再一次使用紧凑双线性池化技术,生成更加全面却紧凑的融合特征,从而在对特征的相似性比较过程中取得更好的度量效果。在少样本学习的对比实验中,所提方法在Omniglot和mini Image Net数据集上都取得了最佳的实验结果。为了解决领域漂移问题,本文提出了一种基于语义视觉关系的直推式零样本学习方案。首先本文提出特定于域的批归一化单元,使得网络可以对来源域和目标域的分别进行批归一化,使来自两个域的语义-视觉对的数据可以在度量网络的中间层上接近标准正态分布。通过这样的特定于域的归一化处理,本文提出的方法把直推式零样本学习问题重构为域适应问题。然后在这个重构的域适应问题中,本文提出了使用熵正则化损失和重构损失,更好地完成知识从可见类别向不可见类别的迁移。在零样本学习的设定中,所提方法在四个数据集上的比较中,都取得了最好的分类结果。