随着大数据和人工智能技术的进步与发展,图像识别技术成为了研究工作中的热点问题。在传统的图像识别任务中,深度学习在训练阶段和测试阶段出现的物体类别是相同的,但是每当出现新的物体的种类时,只能重新训练才能进行识别,从而导致识别系统的成本增加。为了解决这一问题,出现了零样本学习的概念,并且这一概念成为了对图片进行识别与分类的研究热点。在零样本图像分类中,训练的图像样本并不包含所有的物体类别。通过属性作为已知物体类别和未知物体类别之间共享的知识空间来进行知识传递,当出现新的物体类别时,仍然能够识别出新的物体种类。本文首先对零样本学习进行了介绍,零样本学习可以通过已知类别和未知类别之间共享的知识空间完成对未知样本的类别标签的预测。针对零样本学习中存在的语义鸿沟问题,将因素空间应用于语义嵌入空间,使高层语义空间与底层图像特征空间保持一致,将数据特征和图像所表达的信息建立直接的联系。根据语义之间的关系研究因素的合取与约减、因素空间的展开与收拢,并对现有的因素空间算法进行完善,根据机器学习相关算法对因素空间的算法进行改进,使新算法更适用于零样本图像分类技术。针对现有的零样本图像分类模型的属性预测精度低和识别准确率较低的问题,对传统卷积神经网络模型进行改进,并搭建新的零样本图像分类模型,将新算法应用于模型中,提高网络模型的性能。利用AWA2数据集进行实验,将适用于零样本图像分类的因素空间的改进算法应用于本文提出的零样本图像分类模型中,与利用传统的零样本图像分类方法进行对比,新算法不仅能够减少运算时间,还可以提高零样本图像分类的性能。