在传统的目标分类任务中,训练模型时所有类别的样本都是可用的,然而,在实际生活中,物体往往具有长尾分布的特征,这就导致有些类别的样本没有办法获取到,因此采用传统的目标分类方法来解决问题不太可行。而零样本学习与传统的目标分类方法不同,其目标是识别之前从未见过的新类别中的目标实例。在零样本任务中,训练集中见过的类别和测试集中没有见过的类别是不相交的。针对这种不可见类的物体识别问题的解决,使得近年来零样本学习被广泛的研究和关注。目前已有很多关于零样本学习的研究,但是依然还有一些未解决的问题。首先针对零样本学习的两个问题分析:问题一,即不可见的目标类的实例往往被归类为已看到的源类之一的问题;问题二,不可见类的视觉特征转化到正确的不可见类的语义特征的概率低的问题。鉴于此,本文采用了一种简单而有效的零样本学习方法来解决这两个问题。在本文中,我们假设标记的源图像和未标记的目标图像都可以用于测试,引入的强偏损失使得在语义嵌入空间中,标记的源图像被映射到源类别指定的几个固定点,未标记的目标图像被强制映射到目标类别指定的其他点,同时在本文中加入了多模态循环一致的零样本学习方法。当前的方法通过学习从视觉空间到语义空间的转换来解决零样本学习上的这个问题。这种方法往往将不可见测试类的视觉表示转化为可见类的语义特征,而不是正确的不可见类的语义特征,从而导致零样本学习分类精度低。已有方法采用生成式对抗网络去从语义特征中合成看不见的类的视觉表征,然后用看不见的类和看见的类的综合表征来训练零样本的分类器。该方法已被证明可以提高零样本的分类精度,但有一个重要的约束条件是缺失的:不能保证合成的视觉表示能够以多模态循环一致的方式再生成其对应的语义特征。这会导致合成的视觉表示不能很好地代表它们的语义特征,也意味着使用这个约束可以改进基于生成对抗网络的方法。本文在此基础上引入了多模态循环一致的损失,。结合以上两个问题,本文提出的基于无偏嵌入的多模态循环一致零样本学习模型架构在三个公开的数据集上进行了实验,并与现有的多种方法进行了比较,取得了较好的结果。