本文针对广义零样本学习（GZSL）中可见类与未见类之间的表示偏差问题，提出利用任务无关知识来学习可迁移的视觉表示。通过在大规模辅助数据上预训练或引入外部知识，使模型捕获与类别标签无关的通用特征，从而提升对未见类别的识别能力。在多个基准数据集上验证了方法的有效性。