图像语义分割作为计算机视觉领域的一个像素粒度核心研究问题,其目标是为输入图像的每一个像素预测一个预先定义的语义类别。图像语义分割作为当前诸多领域的关注重点,对医疗诊断、机器人感知、自动驾驶、视频监控、增强现实等真实应用领域的发展可以提供强有力的支持。当前的图像语义分割模型要想获得足够的分割精度需要大量带像素级标注的样本进行模型的训练。然而由于像素级标注的获取需要耗费大量的人力成本,这导致所需样本不足,进而限制了图像语义分割的可拓展性。零样本学习则为解决这一问题开辟了一个方向,通过进行知识的迁移,零样本学习模型可以对从未见过的数据类别进行识别。目前对于零样本学习已经在图像分类、类别定义等方面取得可喜的进展,但在语义分割方面研究才刚刚开始。由于零样本学习不使用不可见类的数据,几乎不含指导性的信息,而图像语义分割任务相比图像分类等问题有着更高的难度,因此零样本图像语义分割面临更大的挑战和难度。为此,本文围绕基于深度学习的零样本图像语义分割中的关键和难点问题展开深入的研究,具体包括以下三个方面:（1）针对零样本语义分割中对不可见类信息的缺失,本文利用语义词嵌入作为语义表示,辅助网络将可见类别中学到的知识迁移到不可见类中,构建了一个具有知识迁移能力的端到端的语义分割模型,缓解了传统语义分割模型对像素级标注的需求。实验证明本方法在传统零样本语义分割设置下取得了与当前最优秀的算法相当的准确率。（2）针对零样本学习中可见类和不可见类在样本分布上的差异导致的投影偏移现象,本文首次将直推式方法引入零样本语义分割中,提出了偏置纠正方法。通过将不可见类权重转移至不可见类,提升投影空间的准确度,进而缓解了投影偏移现象。（3）针对零样本学习中不可见类没有带标注的样本导致的缺乏训练问题,本文在偏置纠正算法生成的模型基础上,对不可见类数据利用自训练方法生成伪标签加强训练,提升了模型对不可见类的训练程度。实验证明,利用了直推式方法的本文算法比现有算法在分割准确率上取得了大幅提高。