与传统的图像识别相比,零样本图像识别是利用已知类别样本的语义知识迁移来预测出未知类别样本的标签。基于属性的零样本图像识别是通过将属性作为图像样本的一种中间表示,实现已知类别样本与未知类别样本之间的知识传递。而现有的基于属性的零样本图像识别算法都存在语义迁移问题和属性存在噪声的问题等等。针对这些问题,本文的主要研究内容如下:首先,为了改善属性噪声的问题,在基于属性稀疏表示的零样本图像识别算法(RKT)的基础上提出了基于属性低秩表示的零样本图像识别算法(ZSL)。在RKT的基础上用低秩表示的方法替换了稀疏表示的方法,因为类别的属性是人为定义的,有一定的噪声。为了消除这些噪声,低秩表示的方法可以有效的减少噪声对识别效果的影响,从而提高零样本图像识别的识别率。其次,提出基于属性低秩表示样本全训练的零样本图像识别算法(TZSL)。该算法先利用低秩表示的算法训练出未知类别属性被已知类别属性所线性表示的系数,然后把得到的系数迁移到特征空间中,虚拟出未知类别的样本,最后把特征空间所有的样本与属性空间所有的属性进行训练属性预测器。该算法有效的提高了零样本图像的识别率。最后,提出了基于属性可提取的低秩表示的零样本图像识别算法(CTZSL),因为在零样本图像识别的属性空间中,有的属性是不可靠的,或者有些属性关系非常密切无法达到应有的效果。该方法就是先对属性空间里的属性进行提取,去除那些不可靠和无用的属性,然后再用低秩表示训练未知类别属性被已知类别属性线性表示的系数,最后利用得到系数虚拟出未知类别的样本并训练属性预测器,这种方法有效的提高了零样本图像识别的识别率。为了验证我们上述所提方法的有效性,在动物属性数据库(AWA)、加尼福尼亚理工学院鸟类数据库(CUB)、雅虎数据库(aP/aY)上,对所提方法和最新最权威的方法进行了对比实验。实验结果也证实所提的方法比其他对比的零样本图像识别算法具有一定的优越性。