El aprendizaje sin ejemplos (ZSL) se implementa transfiriendo conocimiento de clases vistas a clases no vistas a través del espacio de incrustación o la generación de características. Sin embargo, el método basado en incrustaciones tiene un problema de centralización, y el método basado en generación puede contener un sesgo considerable. Para resolver estos problemas, se propone en este documento un modelo conjunto con múltiples redes generativas adversarias (JG-ZSL). En primer lugar, combinamos el modelo basado en generación y el modelo basado en incrustación para construir un marco híbrido de ZSL mediante el mapeo de las muestras reales y las muestras sintéticas en el espacio de incrustación para la clasificación, lo que alivia efectivamente el problema del desequilibrio de datos. En segundo lugar, basándonos en el modelo original de método de generación, se introduce una GAN acoplada para generar incrustaciones semánticas, que pueden generar vectores semánticos para clases no vistas en el espacio incrustado para aliviar el sesgo de los resultados de mapeo. Finalmente, se utilizó una pérdida de centro de margen autoadaptativo relevante semánticamente, que puede fomentar explícitamente la compacidad intraclase y la separabilidad interclase, y también puede guiar a la GAN acoplada para generar características semánticas discriminativas y representativas. Todos los experimentos en los cuatro conjuntos de datos estándar (CUB, AWA1, AWA2, SUN) muestran que el método propuesto es efectivo.