随着深度学习在计算机视觉中取得的成功,其被广泛的应用于图像分类算法中。大多算法依赖于数量庞大的带标注训练数据,然而有的数据样本很难获得并且样本的标注也需要花费大量资源。因此为每一个待识别类收集足够多的样本并且给予样本充足的标注信息成为基于深度学习分类算法的难题。为解决这一问题,研究者们提出了零样本学习（Zero-Shot Learning）技术,这种方法借助样本的语义信息完成训练,例如标签类名的词向量或属性信息等。通过对可见类和未见类共享语义信息,零样本学习技术构建一个用以对齐语义信息与视觉信息分布的模型,达到从可见类到未见类的知识迁移。因此在分布对齐过程中,视觉特征和语义特征相似度的度量是零样本学习中的一个重要研究问题。为此,本文从深度度量学习的角度审视了零样本学习问题,设计了一种统一的学习模式。该模式首先将视觉特征和语义特征嵌入到一个共同空间（视觉空间或者公共空间）,然后通过深度度量网络重建一个更具分辨性的度量空间,并且通过关注不同模态的负样本,进行两种模态的分布对齐,并在该空间实现最终分类。具体地,针对深度度量网络及其损失函数的特点分别提出两种深度度量学习的零样本方法。首先提出一种利用双三元组网络挖掘数据分布特征的方法。首先双三元组度量学习网络使用属性引导的三元组网络训练属性特征作负样本的三元组;其次使用视觉引导的三元组网络训练视觉特征作负样本的三元组;最后提出一种高效的难分辨三元组挖掘策略来提高训练效率和性能。然后还提出一种利用跨模态N-pairs网络在两种模态上进行高效信息交互的方法。跨模态N-pairs度量学习网络主要包括两部分:属性模态的N-pairs网络训练包含若干个属性模态负样本的N-pairs;视觉模态的N-pairs网络训练包含若干个视觉模态负样本的N-pairs。在此基础上引入一种难分辨正样本挖掘的多类Npairs策略,来提升跨模态N-pairs度量学习网络的分类准确度并且节约训练开销。通过实验,最后以上两种算法在Aw A、CUB和a PY三个基准数据集上进行了大量的实验,来验证各部分对模型的影响,并对比了其他算法来证明其有效性和先进性。