深度学习算法的成功通常依赖于大量带标注的数据集合,但当缺乏训练数据时,容易出现过拟合的情况,导致深度模型的性能下降。人类能够结合已有经验从少量样本中快速学习新概念,这种将经验泛化的能力对于计算机而言仍是一个挑战。因此,机器从少量样本中学习即小样本学习,成为目前机器视觉的研究热点之一。为解决现有研究中存在的一些问题,本文提出了新的小样本学习方法,并将小样本学习算法应用到高光谱影像分类中。本文的主要研究概述如下:1)针对样本数量过少易造成深度模型在训练数据上过拟合的问题,本文提出了一种融合知识蒸馏与迁移学习的小样本学习方法。首先,设计多代蒸馏网络结构,将深层教师网络的知识蒸馏到浅层学生网络,来提高浅层网络对小样本图像的特征表达能力。其次,设计了改进的迁移学习结构,通过迁移学习调整少量参数来提升网络的泛化能力。最后,结合多分类器对经过蒸馏和迁移得到的网络进行融合,进一步提高模型在新任务上的分类性能。2)针对小样本学习中少量样本难以表述类别特征的问题,本文提出了一种结合原型校准数据分布的小样本学习方法。该方法通过相似度加权基类来表征新类样本的原型,充分利用已学过的基类知识来减小计算原型与实际原型的偏差。并利用新类样本特征与其对应的原型构造均匀分布,根据样本数量改变均匀分布边界,从中采样大量置信度高的新类特征,来扩充训练分类器的新类样本数量。3)将小样本学习算法引入到遥感影像领域,实现小样本情况下高光谱影像的分类。该模型使用数据量丰富的自然图像数据集作为源域,高光谱影像数据集作为目标域,进行异构学习。在源域上,利用知识蒸馏来提升浅层网络的特征表达能力。在目标域上,以小样本学习范式对分类器进行微调,获取具有鉴别性的高光谱影像特征,进一步增强模型的细节表现力。在小样本标准数据集和高光谱影像数据集上的实验结果表明,本文提出的方法能够有效提高模型在少量样本上的分类性能,从而获得更高的预测准确率。