近年来，深度学习在图像分类领域取得了许多引人瞩目的研究成果。然而，
深度学习模型对大规模训练数据集的依赖问题，限制了其在复杂动态场景下的
应用。在一些真实场景中，采集和标注大规模数据集需要耗费大量的人力物力，
甚至由于政策保密性等原因而难以完成大规模数据集的采集任务。零样本学习
方法可以在没有新类别训练样本的情况下，使模型具备对新类别的分类能力，从
而解决模型对大规模数据集的依赖问题。
图结构作为非欧几里得空间的数据类型，不仅可以表示节点的特征，还可以
显式地体现节点之间的连接关系。在零样本学习任务中，这种结构化的表现形式
为模型提供了重要的推理依据，有助于推理过程中新旧类别之间信息的传播。因
此本文对基于图结构的零样本图像分类方法进行了研究，具体研究成果如下：
1. 针对零样本学习利用辅助信息解决视觉任务所带来的信息域偏移问题，
本文提出了基于混合图谱的零样本图像分类方法。该方法利用类别的语义描述
信息和视觉经验构建混合图谱，以提高零样本学习模型的分类性能。同时，混合
图谱的思想在零样本的泛化问题-小样本图像分类任务上，也取得了较好的分类
效果。模型分别在粗粒度数据集上和细粒度数据集上较其他零样本学习模型体
现了分类性能的提升。
2. 为了进一步缓解语义空间推理所带来的信息域偏移问题，本文从时间维
度出发，提出了基于图结构的持续性零样本学习图像分类方法。受人类认知发展
理论的启发，该方法从模型所应用的实际场景中收集序贯流入的图像信息，并利
用基于知识图谱推理得到的分类器，将无标注图像信息转化为具备软标签的在
线更新图结构，从而实现模型分类能力的持续性在线更新。实验验证了在线学习
方法对模型零样本分类准确率的提升。
3. 针对新旧任务之间存在的场景域偏移问题，本文提出了在开放域场景下
的零样本图像分类方法。该方法基于对抗学习技术，对齐源域和目标域之间的数
据分布，以减弱场景变化对新任务的影响。同时划分出目标域中的未知类别，并
进一步以图结构的形式引入类别的语义信息，对未知类别进行细粒度划分，实现
了模型在类别域和场景域分类能力的提升。实验验证了模型较零样本分类模型
和域自适应模型在开放域场景下具备更好的分类性能。