深度学习算法在很多有监督学习任务上达到了令人满意的结果,但其依赖于大量的标注样本,并且使用特定类别训练的分类器只能对这些类别进行分类。零次学习希望计算机能够像人一样,利用已有知识推理出新对象特征,具备识别新类别的能力。现有零次学习方法通过引入类别的独热编码、词向量或属性等外部知识,建立类别语义知识与图像视觉特征之间关联,辅助二者间映射函数的学习。然而大多数方法的语义知识表示过程各类别独立更新、互不影响,不能很好表现类间关联,且分类准确率仍有提升空间,如何为各类别学得准确且具判别性的特征表示是一个具挑战性的问题。本文发现在零次学习中存在冷启动以及矩阵稀疏的现象。由于模型在训练过程中未见过新类别样本,对新类别的分类任务相当于冷启动。且在样本标签矩阵中每行只有其真实所属类别位置不为空,是一个稀疏矩阵。受推荐任务启发,希望借鉴推荐领域中的协同过滤思想,将零次学习任务建模为矩阵填充问题。通过将标签矩阵非空位置中提供的丰富信息分解为每张图像和每个类别相应的隐特征表示,从而对所有未知类别样本进行分类预测。基于该研究思路,本文主要创新点如下:（1）本文提出一种新颖的协同过滤式零次学习方法,将零次分类任务建模为推荐任务中的矩阵填充问题。借鉴协同过滤算法,挖掘标签矩阵非空位置蕴含的信息,推理已知类别样本的视觉特征与语义特征的对应模式,迁移至对未知类别样本的分类任务。该思路具有创新性,目前尚未发现将协同过滤领域和零次学习领域相结合的相关工作。（2）为了使用较小代价为各类别学得准确的语义表示,本文以语义图的形式引入知识,建立类间语义关联,通过图神经网络实现节点间的信息传递,促进已知类别和未知类别间的知识交互,打破现有语义表示学习过程的独立性限制,促进类间知识迁移。此外,本文在损失函数中额外加入图结构约束正则项,以维持各类别在原始语义特征空间中的语义关联。（3）在三组经典零次学习数据集上,针对传统零次学习任务和广义零次学习任务,对本文所提方法进行验证。实验结果表明本文方法能够实现优异的零次分类性能,普遍提高各任务的分类准确率,在各任务下维持稳定且优异的效果。