图像分类任务是计算机视觉领域的重点课题,在图像分类的发展过程中,许多模型方法被提出并取得了令人满意的分类准确度。由于热门的分类模型方法都是由大规模的数据驱动的,而在许多实际的场景中缺乏这些数据。因此,零样本学习被提出并成为当今的研究热点。目前很多零样本图像分类方法是采用学习语义信息空间和图像特征空间之间的映射关系来实现图像分类,但是这些方法会在映射的时候产生枢纽化和映射域漂移问题。而且可见类和不可见类之间样本分配不均导致目前很多方法在应对广义零样本任务中表现不佳。基于上述问题,本文提出利用生成模型来解决,主要工作如下:首先提出基于图像特征重构的零样本图像分类模型,利用生成对抗网络将不可见类的语义信息作为条件生成不可见类的图像特征以缓解样本分配不均的问题。同时为了使生成的图像特征更加真实且多样化,在生成器网络上增加一个重构网络,将生成的视觉特征重构回语义信息,并判断它们之间的差距来限制生成器生成更符合语义的图像特征。上一个模型在应对细粒度数据集的效果不理想,因此在上一个模型的基础上引入注意力核化双线性网络。利用注意力机制提升图像特征中重要信息的权重,减少冗余信息的权重,同时核化网络能够获取非线性关系,从而让输出的图像特征更容易被学习。在上述研究的基础上,设计并实现基于视觉样本生成的零样本图像分类系统,将训练好的模型融入系统中,能够实现对图像进行分类、查看不同数据集的分类准确度和查看操作日志等功能。经过对图像分类系统的需求分析,对各个模块进行设计并通过编码和测试,开发出功能完整的图像分类系统。