有监督学习是从标签化训练数据集中推断出函数的机器学习任务,是机器学习中最重要的分支之一,近年来随着深度学习的发展,有监督学习的性能得到了巨大的提升,例如深度残差网在ImageNet数据集上1000个类别的top-5物体识别精度已经达到97.7%,已被证明超越了人类的识别能力。但是,有监督学习受到一个非常强力的约束,即测试数据必须与训练数据来自同一类别,且需要为每个类别搜集数百乃至上千个有标签的样本。由于地球上有数十亿物种,每天都会有新的物种出现,因此,不可能将所有类都包含在一个训练模型中。针对这个问题,迁移学习,少样本学习,单样本学习,零样本学习等方法应运而生。零样本学习旨在识别训练期间没有可用标签数据的类别,凭借其更符合人类学习机制的特性,近年来获得了巨大的关注度,成为了诸多领域的研究热点问题。基于上述研究背景,本文主要研究基于转导式的零样本图像分类方法,通过对现有方法短板的深度分析,采用不同的建模方式有效解决了目前零样本学习面临的领域偏移,枢纽点等问题,从而很好地提高了零样本学习的性能。本文的主要研究内容及贡献如下:1.本文提出了一个通用的转导正则化器（GTR）,用于转导式零样本学习,它通过定义Kullback-Leibler散度（KLD）将未标记的样本分配给已知的属性,具体而言,就是强制将未标记的不可见类数据分配给类似于目标分布的数据分布。GTR与原始的归纳式方法无关,因此可以轻松地扩展到许多有关零样本学习的兼容线性模型和深度模型,并显著提高原始零样本学习方法的分类准确性。目前的转导设置的正则化器均仅仅适用与他们所提出的模型,不能扩展到其他模型上,这严重限制了这些方法的使用。为此,本文提出了通用转导设置正则化器（GTR）,该正则化器可以很容易扩展到其他归纳式方法,尤其是兼容模型。2.本文提出了一个概率模型框架,定义了一个新的隐空间,它具有两个特性,第一个是该空间中的特征类内聚集,类间分散,通过三元组网络实现;另一个是不可见类的类原型是使用非负系数与可见类的类原型合成的,非负系数通过可见和不可见类之间的关系生成,这个关系通过非负矩阵分解（NMF）计算而得。利用高斯模型,完成了该框架的转导式模型。本文主要改进了概率分类模型,使用度量学习的方法使得数据更具判别性。另外,在可见的类和不可见的类之间建立关系以解决领域偏移问题。3.本文提出了一种基于鲁棒性主成分分析（RPCA）的方法,通过添加稀疏噪声约束来做一个松弛化处理。另外,为了避免相似类别之间产生混淆,采用正交约束将所有类原型（包括可见和不可见类）分散在隐空间中。此外,为了缓解领域偏移问题,利用来隐空间的向量分别重构视觉特征和语义属性。本文用来自隐空间的向量分别重构视觉特征和语义属性以减轻领域偏移问题。另外,通过在组合的三个空间中应用最大概率模型,也减轻了枢纽点问题。