深度学习方法在图像分类领域已经取得很大的进展,但算法所需的带标记数据是海量的,当遇到可用数据稀缺的任务时,仅有的数据难以支撑已有的方法完成充足的网络训练。因此,如何依靠少量标记样本实现图像识别成为近年来计算机视觉领域的研究热点,越来越多的研究表明基于度量的少样本学习方法具有模型简单、高效的优点。本文针对少样本学习面临的带标记样本不足、模型易过拟合、泛化能力差等问题开展研究,提出有效的解决方法并建立相应的网络模型。基于度量的少样本学习方法通过特征提取并在任务空间进行度量学习,帮助深度学习方法能够更好地利用先验知识,但该类方法受制于提取特征的好坏和度量方式的选择。针对该问题,本文设计了一种少样本学习模型,该模型基于孪生网络的架构思想,在嵌入模块融合了胶囊网络的主要部分,通过使用胶囊间的动态路由,实现部分与整体的内在关系编码,帮助学习获得更高级的特征;在度量模块,将得到的特征向量进行L1距离计算并经过两个全连接层,结合Sigmoid激活函数,将结果映射为[0,1]之间的相似度。模型在特征提取模块不再使用单个的卷积神经网络,能够克服CNN平移不变性的缺陷,保留特征之间的空间关系,有助于更好地解决少样本中常见的类内变异情况。实验在低复杂度的少样本数据集Omniglot上进行,实验结果表明该方法具有参数少、准确率高的优点。基于度量的少样本学习方法通常直接在元学习框架下优化模型,但这种直接通过元学习策略训练得到的特征表示传递性较弱,从而限制了度量方法的分类能力。针对该问题本文提出了一种模型结构,包括特征映射模块和分段度量模块两部分:首先在基类数据上预先训练以双线性CNN为主体的分类器并迁移到元学习的特征提取模块;在元学习阶段,对提取到的特征分多段进行余弦相似度的计算,以预测类别。有效的预训练参数、更强大的特征提取结构结合分段度量的方法,帮助模型在面对复杂场景数据集Mini-Image Net时也能获得更好的分类表现。