不同于需要训练样本的支持向量机和深度学习，零样本图像分类能借助于丰富的辅助信息迁移完 成图像识别。相比传统通过学习共享文本或属性的零样本分类方法，在辅助信息和图像数据中的跨域 标记迁移零样本分类，因为其能挖掘数据分布结构关系建立迁移函数或标记传播，表现出更为直接的 优势。然而数据的扩展导致数据间的多重结构关系在不断变化，使得固定的迁移函数或标记传播并不 具有数据扩展变化的适应性。本项目挖掘跨域多重结构的异质结构关系，通过自适应动态过程，建立 异质结构对标记传播和迁移推理模型。研究发现异质结构对标记迁移具有的关键调控作用；挖掘标记 对异质结构关系影响规律；进而揭示异质结构与标记迁移的因果关系、演变规则及耦合机制；最终建 立自适应的异质结构和标记迁移的计算模型，获得可扩展零样本图像理解分类的普适和可行的方法。 本项目可丰富数据科学异质结构认知与标记迁移理论体系，为大规模零样本图像识别理解提供理论和 技术基础。