图像分类是计算机视觉领域的主要研究内容,随着深度学习的不断发展,人们利用大规模数据训练出不同的深度学习模型,这些模型可以在图像分类任务中取得较好的结果。但在实际应用中,有些图像类别的样本数量较少,难以训练出一个较好的模型,并且人们希望在遇到新的类别时不必重新训练模型。为解决上述问题,研究人员提出了零样本学习这一概念,即研究训练类与测试类互异的分类问题。目前,零样本图像分类任务取得了一定进展,但在训练类与测试类之间建立联系较为困难。为解决这一问题,本文通过生成对抗网络将训练类别的特征表示用于生成测试类别的特征表示,零样本图像分类任务便转换成了经典的图像分类任务。本文的主要工作如下:(1)基于特征生成对抗网络的零样本图像分类:本工作利用生成对抗网络来解决零样本图像分类问题,分别改进生成对抗网络中的生成网络以及判别网络,并设计出基于特征判别的特征生成对抗网络(Feature Discrimination Based on Feature Generative Adversarial Networks,FD-fGAN)模型,该模型能够同时解决经典零样本图像分类问题以及广义零样本图像分类问题。实验结果表明,FD-fGAN网络模型在多个数据集下的分类准确率均高于当前已有的零样本图像分类模型。(2)融入注意力机制的零样本图像分类:本工作将注意力机制融入图像特征生成过程,设计出FD-fGAN-Attention网络模型,以提高生成图像特征的质量,从而得到更高的零样本图像分类准确率。实验结果表明在类别间的差异较小时,融入注意力机制能够进一步提高零样本图像分类模型的性能。