零样本学习由于具有人类的“联想”能力,能够根据一些过往学习到的知识,完成对不断出现的新事物和新样本的分类。基于生成对抗网络的零样本学习方法能够从可见类样本和语义属性中训练出生成器,并通过未见类语义属性来生成未见类样本以训练传统机器学习分类器完成零样本分类。然而,由于人工语义属性的一些缺陷,导致模型所生成的样本会存在判别性不足的问题。此外,由于模型主要是在可见类样本和语义属性上学习的,模型所生成的未见类样本将会带有更多的可见类样本的特征,这会导致模型在广义零样本分类中产生分类偏移问题。为了解决这两个问题,本文提出了从视觉特征中提取潜在属性和假人工语义属性并应用至生成对抗网络的DL-GAN模型,并采用两种先验信息的获取方法优化DL-GAN模型。论文主要工作如下:1.提出了一种判别性生成对抗网络模型（Discriminative Learning Generative Adversarial Network,DL-GAN）来解决基于GAN的零样本学习模型中,人工语义属性缺陷导致特征判别性不足的问题。本文从视觉特征中提取出潜在判别属性,并将其首次应用到生成对抗网络模型中。此外,模型通过环状映射损失保证了生成的特征与人工语义属性的语义一致性。通过以上方法提高了生成器所生成的可见类样本和未见类样本的判别性。在零样本学习四个数据集上,相比于现有的解决方法,DL-GAN模型在传统和广义零样本学习上平均提高了 0.7%和1.9%的分类准确率。2.针对分类偏移问题,提出了在直接在DL-GAN模型中添加一个新的判别器D’以判断生成样本的可见类和未见类的二元分类,并将该判别器D’应用到真实测试样本中预先分类,从而得到先验信息。相比于现有针对分类偏移的解决方法,DL-GAN+D’在广义零样本学习四个数据集上平均提高了 0.6%的分类准确率。3.针对分类偏移问题,另外还提出了一种新的验证集划分方式,也即从训练集样本中选出某些类别的样本作为已知标签的未见类样本,以及一些其他的可见类样本共同组成验证集样本。使用该验证集样本训练可见类与未见类的二元预分类器fsu以缓解广义零样本分类偏移问题。相比于现有针对分类偏移的解决方法,DL-GAN+fsu在广义零样本学习四个数据集上平均提高了 2.7%的分类准确率。