深度学习凭借其端到端的层叠式卷积网络框架及从局部到全局的特征表示技术正成为模式识别和计算机视觉等领域的研究热点,并成功应用于目标检测、人脸识别等领域。本文针对现有深度学习技术中的小数据集学习、鉴别损失函数设计以及小样本学习等进行了较为深入的研究,提出了一些改进算法和模型结构,并在人脸识别和目标分类等方面得到了比较成功的应用。本文的主要工作如下:1.面向小数据集的深度扩张卷积神经网络(Deep Convolutional Neural Network with Dilated Convolution Using Small Size Dataset)针对传统深度卷积神经网络面对小数据集(非过完备数据集)会陷入严重的过拟合问题,设计了一种新的深度扩张卷积神经网络框架。该框架首先使用扩张卷积(Dilated Convolution)来替代传统卷积增大网络的感受野;然后通过使用一个全局平均池化层取代传统的前两个全连接层来缩减全连接层的参数规模;最后在卷积层中添加批量归一化层(Batch Normalization)来削弱类间变量移位(Internal Covariate Shift),进而加快网络训练速度。改进后的网络对于小数据集有着更优秀的分类能力,有效地减弱了网络的过拟合问题。2.双向附加裕度 Softmax Loss 人脸识别算法(Double Additive Margin Softmax Loss for Face Recognition)针对 Large-Margin Softmax Loss 和 Additive Margin Softmax Loss 中鉴别性特征提取能力不足的缺陷,提出了双向附加裕度Softmax Loss人脸识别算法,该算法通过在类内角变量和类间角变量上分别添加裕度m,用以增强特征的类内紧致性和类间差异性。在CASIA-Webface、LFW、CALFW、CPLFW和CFP-FP人脸识别基准库的实验结果表明使用双向附加裕度Softmax Loss的深度卷积神经网络在分类性能上优于现有的角度间距Softmax。3.基于图神经网络的协同标签传递小样本学习(Collaborative-Labeling Few-shot Learning Based on Graph Neural Network)针对边标签传递模型中缺乏非线性鉴别能力、特征感受野较小以及缺少全局特征等问题,提出了基于图神经网络的协同标签传递小样本学习。该算法首先使用扩张卷积核替代特征提取网络femb中的后三个卷积模块的传统卷积核,用以增大特征感受野;然后使用卷积自编码器中的编码器代替特征提取网络中第一个卷积模块,用以加强网络的特征提取能力;最后通过添加空白像素来增大度量网络的输入特征尺寸以及使用3×3的卷积核替代1×1的卷积核,用以增大网络感受野以及增加网络的全局特征。在mini-ImageNet和tiered-ImageNet的实验结果也表明了协同标签传递小样本学习在分类性能上优于边标签传递模型。