目标分类是机载光电平台的关键技术之一,也是计算机视觉领域的一个重要方向。随着深度学习的不断发展,利用大规模的数据集训练深度神经网络可以得到很高的目标分类表现。然而,在现实场景中,随着类别数目的增加,并不是所有的类别都会有充足的,高质量的样本。因此,如何将在一个数据集学习到的模型迁移到一个新的数据集和任务,逐渐引起了广泛的研究兴趣。零样本学习是解决预测未见类别的样本的一种学习方法。零样本学习可以看作为迁移学习的特殊情况,即源域的标签和目标域的标签不同的情况。传统的嵌入方法没有经过任何适应就将在源域学习到的投影函数直接应用在目标域,这会在测试阶段造成投影域的偏移的问题。本文提出了三种零样本分类算法。本文将投影域的偏移问题与领域适应问题相联系,提出了一个双向嵌入算法,得到投影域偏移问题的显式表达。此外,本文提出了一个适应性的双向嵌入方法来解决投影域的偏移的问题。本文通过利用目标域特征的分布信息,用双向嵌入来学习到一个适应性的特征空间。适应性双向嵌入的方法减少了偏移空间和实际目标空间的分布差异,进而消除了投影域的偏移的问题。此外,本文提出了对齐的多视角嵌入,探索了多种语义信息的互补性,从另一个方面提升了模型的变现。现有的零样本学习的多视角嵌入方法没有考虑多视角物理意义的不一致性所导致的多视角嵌入统计方法的弊端。本文将多视角的信息进行对齐,提高了多视角嵌入的有效性。本文进行了广泛的实验,结果表明,本文的方法在基础的数据集上要优于其它的嵌入方法。