传统的基于监督学习的图像分类系统由于深度学习技术和常见类别的大规模数据集的快速发展而取得了良好的效果。Image Net数据集上的一些方法在top-5上已达到95%以上,这已经超出人类水平。然而,由于世界上的物种数量庞大,新的物种不断产生且难以获得,所以不可能在一个分类模型中包含所有的类别。因此,现在的挑战是如何使预先训练好的模型能够泛化到新的类别,而不需要收集带有结构化注释的新训练示例。零样本学习（Zero Shot Learning）就是解决这类问题的一种方法,在训练类和测试类不同的情况下,将从训练类中学习到的知识迁移到测试类中。零样本学习凭借独特的学习方式,在图像分类领域有着深远的研究意义和广阔的应用前景,在近年来越来越得到关注。传统的零样本学习研究已经在假设测试图像只来自于不可见类的原设定上取得了非常好的结果。然而,零样本学习只把分类的重点放在不可见类上,即认为分类对象只属于不可见类而不属于可见类,这对于实际场景是不合理的,因为我们不能预先知道即将到来的数据是属于可见类还是不可见类。一种新的具有挑战性的泛化零样本学习（Generalized Zero Shot Learning）将测试中的搜索范围从不可见类扩展到了可见类和不可见的类,并且其已成为本研究领域的新课题。基于上述研究背景,本文提出基于泛化零样本在图像识别中的可分类原型研究,针对现有方法的不足,例如难以解决的领域偏移的问题,本文提出三种方法,来提高泛化零样本的识别性能。本文的主要内容及贡献如下:1.在本文中,我们提出了一种对偶判别性自动编码器网络方法,其中视觉特征和语义类原型使用高维隐空间进行自编码。通过对偶语义视觉自动编码器和判别性特征嵌入策略将特征嵌入到隐空间,这样使隐空间中的语义类原型既能保留原始语义又使其具有区分性,同时利用交叉模态重构使隐空间获得更多的交互信息。2.由于可见类和不可见类之间存在域差距,大多数类别仍然存在领域偏移问题。因此,本文提出了一种基于视觉语义对齐的判别性映射学习的泛化零样本学习方法。我们定义了一个隐空间,其中视觉特征和语义类原型是对齐的,并假设每个原型都是其他原型的线性组合,约束所有三个空间的系数均相同。同时,通过利用线性判别分析策略学习视觉空间到隐空间的投影矩阵来提高隐空间的判别能力。3.本文提出了一种通用的可植入属性校正模块,来解决当属性定义不明确、不可靠、定量表示不正确或存在视觉语义差异时的瓶颈问题。该模块可以有效地将传统的零样本学习适应于泛化零样本学习任务中。与现有基于嵌入的方法而常常导致失去属性原有含义不同,我们的主要目标是充分保留属性的原始含义,并使语义类原型具有互补性和可解释性,以升级现有的零样本学习模型。为此,我们提出了一种迭代随机梯度下降的新型非负约束,以有效地将我们的模块拟合到传统的零样本学习模型中。