在当今的大数据信息时代中,随着获取视觉数据的便携设备越来越普及,可视数据在网络中正在爆炸式增长,据统计,国外一知名社交网络每个月都有60亿张图片上传到网络当中,优酷等视频网站每分钟也会有几十个小时的视频上传,而一些网络相簿、搜索引擎、门户网站等都存储了大量的可视数据,为了更好的处理和利用这些数据来促进我们的日常生活,计算机视觉的研究迎来了新的热潮。在计算机视觉研究任务中,通过使用大规模有标签的数据进行训练,很多图像分类器已经能够对图片进行精准地分类,然而标注的图片往往很难获取,通常都需要耗费大量的人力去标注图片。在本文中,我们深入研究了基于属性的零样本迁移分类学习,通过利用不同类别间共享某些视觉属性的特性,我们可以推测出没有或有很少训练样本的类别,大大降低了算法对类标签的需求。在基于视觉属性的零样本迁移分类研究当中,属性预测的结果直接影响到最终的分类预测,而在传统的属性学习方法中,属性要么被单独的分类器训练,要么不加限制地利用属性间的相关性,很少有考虑到属性相关性会导致属性预测的不正确问题;另外,如何学习属性使属性有更强的泛化能力对属性的有效应用也很重要,由于预测的类别没有训练样本,而属性在不同类别间的视觉表现会有所不同,通过其他类别学习的视觉属性分类器,不一定能够很好的预测出其他类别的视觉属性,通常会出现分类器效果向训练集偏移的问题。在零样本分类方法研究中,预测的视觉属性与类标签的视觉属性的相似性高低是决定最终分类重要因素,因此选择适当属性空间和距离是零样本迁移分类的另一个研究重点。本文主要围绕这两个问题进行研究,最后,我们还验证了使用生成式对抗网络训练视觉属性,本文的主要研究和贡献如下:(1)提出了有效的降低属性相关性的学习方法。(2)采用汉明距离计算样本特征距离的方法更好地挖掘样本之间的内在关系,显著提高了零样本分类的准确性。(3)证实了通过一定的改进,生成对抗网络能够用来学习视觉属性。