属性作为联系底层特征和类别标签之间的桥梁实现了可见类到不可见类之间的知识迁移,为零样本图像分类(零样本学习)中类别标签缺失问题提供了有效的解决方案。但是,零样本学习仍然面临着基于可见类图像训练得到的分类器难以直接用于不可见类图像标签测试的问题。为此,本文围绕基于属性学习的零样本图像分类问题展开研究,主要工作包括:第一,在生成对抗网络以属性作为控制条件生成特征的过程中,由于缺少生成特征和属性以及生成特征和真实特征的约束,从而难以充分表征生成特征与对应属性以及真实特征之间的关系。为此,提出一种基于双循环损失生成特征的零样本图像分类模型,该模型由两个生成对抗网络和一个变分自编码器组成。首先,第一个生成对抗网络根据图像的原始属性生成虚拟特征;其次,利用变分自编码器对生成的虚拟特征进行属性重构,通过属性循环损失建立原始属性和重构属性之间的约束,确保生成的虚拟特征能够更完整的表达语义属性;然后,第二个生成对抗网络根据重构属性再次生成特征,通过特征循环损失建立真实特征和基于重构属性生成特征之间的约束,确保生成的虚拟特征更接近真实特征;最后,利用可见类特征和生成的不可见类虚拟特征共同训练Softmax分类器,为测试图像预测类别标签。第二,对于属性描述极为相似的类别而言,生成对抗网络以属性作为控制条件生成特征时没有考虑到不同类别之间属性的差异性,并且仅依靠属性生成特征忽视了样本特征对生成结果的影响。为此,提出一种在直推式零样本设定下基于混合属性生成特征的零样本图像分类模型。首先,利用变分自编码器对图像特征进行重构,得到潜在空间中包含图像特性信息的潜在特征,将潜在特征和原始属性组成混合属性;然后,将混合属性作为生成对抗网络的控制条件生成虚拟特征。混合属性增加了属性相似类别语义描述之间的差异性从而生成更加真实的虚拟特征;最后,利用可见类特征和混合属性生成的不可见类虚拟特征共同训练Softmax分类器,对测试图像的标签进行预测。在CUB、FLO、SUN和AWA数据集上的实验结果验证了本文所提零样本图像分类模型的有效性。