L'apprentissage à zéro exemple (Zero-Shot Learning, ZSL) est un problème complexe visant à reconnaître des catégories cibles sans données observées, en utilisant des informations sémantiques pour transférer les connaissances de certaines classes sources. Bien que le ZSL ait connu d'importants progrès ces dernières années, la plupart des approches existantes ont tendance à surapprendre les classes sources dans la tâche d'apprentissage à zéro exemple généralisé (Generalized Zero-Shot Learning, GZSL), ce qui indique qu'elles acquièrent peu de connaissances sur les classes cibles. Pour résoudre ce problème, nous proposons un nouveau réseau contrastif transférable (Transferable Contrastive Network, TCN) qui transfère explicitement les connaissances des classes sources vers les classes cibles. Ce réseau compare automatiquement une image avec différentes classes afin de déterminer si elles sont cohérentes ou non. En exploitant les similarités entre les classes pour transférer les connaissances des images sources vers des classes cibles similaires, notre méthode est plus robuste pour reconnaître les images cibles. Les expériences menées sur cinq jeux de données de référence montrent la supériorité de notre approche pour le GZSL.