当前,深度神经网络模型通常由大规模数据驱动,模型训练需要海量的标签数据样本。模型只能识别训练集里出现过的样本类别,无法对训练集里未出现的新颖类进行准确地识别和预测。零样本学习提出的目的是建立能识别训练集里未出现的新颖类的图像识别模型,这使得零样本学习逐渐成为计算机视觉领域的一个研究热点。在最近的研究中,生成式零样本学习利用生成网络结合类的语义特征为新颖类合成视觉特征,提高了模型对未见类的识别能力。至今为止,零样本学习的主要应用在图像分类和图像分割领域,因此本文将对零样本视觉图像的分类与分割领域中现存问题进行分析和研究,并给出相应的解决算法和方案。现有的生成式零样本图像分类领域方法存在如下待解决的问题:（i）原始语义特征是不完全的和弱判别的,直接利用原始语义特征作为生成网络的约束条件,合成的视觉特征缺乏多样性和可分性;（ii）合成视觉特征的生成对抗网络容易遭受模式坍塌的影响导致训练不稳定。针对现有方法存在的问题,本文提出了一种基于语义增强的特征生成网络模型（Augmented Semantic Based Feature Generative Network,ASFGN）。主要工作包括如下方面:本文提出了一种语义增强方法。利用度量学习方法学习更准确的类间关系特征,弥补原始语义特征的不完全性;设计了一个基于判别性视觉信息的特征选择算法去除冗余属性来提高原始语义特征的可判别性。基于增强语义特征,设计了一个生成网络为未见类合成多样和可区分的视觉特征,以提高零样本图像分类模型的泛化性能;为了缓解生成网络的模式坍塌问题,提出一种坍塌缓解损失函数,该损失通过优化噪声向量之间的相似度与其对应合成的视觉特征之间的相似度的比值来提高模型训练的稳定性。现有的生成式零样本图像分割方法存在如下待解决的问题:（i）没有考虑合成视觉特征的语义不一致性,导致合成的视觉特征不能准确反映语义特征所表达的类间关系。（ii）语义特征空间与合成视觉特征空间的流形结构存在差异导致模型性能受限。针对现有方法存在的问题,本文提出了一种基于语义视觉一致约束的分割算法（Semantic-Visual Consistent Constraint Segmentation,SVCCS）。主要工作包括如下方面:SVCCS算法使用语义视觉双向重建模块对语义特征与合成视觉特征进行相互转换,提高语义特征和合成视觉特征的关联度,缓解合成视觉特征的语义不一致性问题;生成模块利用语义视觉双对抗损失函数为未见类合成视觉特征,合成的视觉特征能更好地反映语义特征所表达的类间关系,减小了语义特征空间结构与合成视觉特征空间结构的差异性。本文将ASFGN算法、SVCCS算法分别与当前主流的零样本图像分类与分割算法在标准测试数据集上进行对比分析。实验结果表明,无论是ASFGN算法还是SVCCS算法均优于比较方法。