近年来人工智能成功应用于多种场景,但它十分依赖大规模的监督数据,缺乏从有限样本中学习和快速适应新任务的能力。针对这个问题,小样本学习孕育而生。它可以像人类那样,通过对以前的任务进行归纳和类比积累先验知识,然后在有限监督数据的新任务中借助先验知识进行学习,从而能够快速的适应新任务。本文针对小样本分类任务进行研究,对于图像和视频这两个常用的数据模态,根据其数据特点的不同,我们设计了两种不同的小样本分类方法。基于信息传导的小样本图像分类在图像小样本分类任务中,标记图像的数量远少于未标记图像的数量。若仅利用标记图像来获得图像分类模型,则容易造成模型的过拟合。本方法充分利用标记图像和未标记图像之间的关系,使在特征空间下相邻的图像有相同的类别标签。为了提取有区分性的图像特征和充分利用未标记图像数据之间信息,本文提出一种两段式的基于信息传导的小样本图像分类方法。在第一阶段,使用元训练集中所有的图像样本训练一个图像分类网络。在第二阶段,首先使用第一阶段训练的网络提取任务中所有图像的特征,然后构建任务内所有图像之间的图结构,最后进行信息传输预测未标记图像的标签。在通用数据集上的实验结果表明,本方法能有效的进行小样本图像分类,并且分类准确率达到先进水平。基于序列度量的小样本视频分类视频数据由图像序列组成,图像帧之间存在时间顺序和数据冗余,若直接将原视频或裁剪视频输入网络会造成严重的冗余或局部性问题。在每个视频小样本任务中,由于每类视频只提供了有限的标注样本,很难学习有区分性的的视频特征表达。为了在减少信息冗余和计算负担的同时又能充分利用视频的信息,本文提出一种基于序列度量的小样本视频分类方法。本文首先通过对视频进行稀疏采样获取图像帧序列,将其作为后续处理的输入。接着通过一个图像特征提取器提取每个图像帧的特征,得到代表视频的多元时间序列。然后本文使用一个变形网络模拟特征空间中帧序列间的变形函数,计算视频的图像帧序列的变形从而得到序列间的相似度。最后通过与标记样本之间的相似度度量预测未标记样本的类别并计算分类精度。本方法通过考虑图像帧序列间时序关系充分的利用了视频的时间信息,通过使用变形网络获得图像帧序列间的变形避免了大量的计算操作。在通用数据集上的实验结果表明,与现有的小样本视频分类方法相比,本方在分类准确率和时间性能均达到先进水平。