从视频中自动识别出动作的类别是视频理解中非常重要的部分。大多数现有的方法专注于设计更加有辨别力的特征表述,而且在样本充足的条件下已经取得了良好的结果。然而,对如何在样本数目少甚至缺失的条件下识别新的动作类别这一问题关注的还较少。在实际情况中,我们无法列举出所有的动作类别,同时受制于人力和物力,在某些情况下我们无法收集、标注足够多的样本用于训练一个良好的模型。除此之外,现有的方法都只能识别预先设定好的动作类别,当面对未知类别时,其无法做出正确的预测而是把未知类别的测试样本归为已知类别中的一种,并且当需要识别新的类别时,整个模型需要重新训练。零样本学习是针对传统机器学习收集和标注数据日益困难而提出的一种新思路。针对基于零样本学习的动作识别问题,本文提出了一种基于局部保持典型相关分析映射的方法。该方法使用流形约束的典型相关分析将视觉特征和辅助特征映射到一个公共特征空间,并且在映射过程中保留了视觉特征和辅助特征的局部信息,还考虑了域转换所带来的不利影响,同时采用了自训练和hubness修正等方法增强了所提方法的鲁棒性。通过在主流的HMDB51和UCF101数据集上的大量实验,表明所提方法在所测试的数据集上具有较好的零样本学习性能。