元学习对有标记数据依赖性低,可在一定程度上缓解标记样本匮乏的弊端,并且元学习模型不仅仅局限于某一个任务,它能够泛化到多种分类任务中,故其被应用于解决各类小样本分类问题。但在现实世界中,数据之间存在着错综复杂的关系,传统的元学习并不能充分表达数据之间的依赖关系,为了充分挖掘数据之间的高阶信息,本文借助图结构将样本之间的关系充分利用起来,并通过样本之间的相似性信息,构成图分类模型,在节点级完成图像分类任务,从而提高模型的分类精度。本文提出目前基于元学习的图分类模型没有考虑到分类网络对目标的偏好问题、不同分类任务的嵌入空间共享问题以及特征提取模块和当前的学习任务相独立问题,此弊端会影响图分类模型的泛化能力。进而,为了解决由以上三个原因导致的图分类模型的泛化能力不足问题,本文提出了三种任务相关元学习,它们分别将交互注意力提取模块、任务自适应模块和可学习的任务驱动模块作为图分类模型特征提取模块的一个补充,生成与任务相关的特征向量,从而提高图分类模型对新任务的泛化能力。本文的研究内容和主要成果包括:（1）为了解决图分类模型的目标偏好问题,提出一种简单、性能良好的图分类目标无偏元学习,该方法可以提高特征向量的可区分性,减少模型对特定目标的偏好,能够快速锁定当前分类任务的主要目标,解决其它图分类方法的目标偏差问题,从根本上加强图分类网络对即将要完成的任务的泛化能力。在标准的小样本学习基准数据集上进行监督学习、半监督学习和转导推理学习的实验,实验结果表明,此方法在Mini Image Net数据集和Tiered Image Net数据集上的准确率均有不同程度的提高。（2）为了解决图分类模型的嵌入空间共享问题,提出一种基于自注意力学习模块的任务自适应元学习,提取训练样本与测试样本之间的相关信息,计算融合测试集样本特征的注意力权重,提高原始方法特征嵌入网络的表征能力,生成最有利于测试任务的特征表示,使得最终训练好的模型可以广泛适用于各种分类任务。采用图神经网络作为距离测量方法,克服传统度量方法适应性差的特点,充分利用样本之间的隐含关系,进一步提高图像分类的准确性。（3）为了解决图分类模型的嵌入网络与任务相独立问题,引入可学习的动态任务驱动模块,提取与任务相关的特征表示,更新特征提取网络模型,使每个任务都有自己不同的特征提取模块,提高分类模型的泛化能力。利用辅助任务进行协同训练,克服由于训练模型更加复杂而导致的训练过程困难问题。利用样本之间的潜在关系构建图结构,通过节点特征更新模块和边缘特征更新模块充分挖掘数据间的高阶信息。在Mini Image Net和CIFAR-FS数据集上进行归纳推理和转导推理设置下的实验,实验结果表明此方法取得了良好的效果。综上,本文通过提取样本之间的交互注意力,使得特征表示与任务相联系,解决了图分类模型的目标偏差问题;通过将支持集和查询集样本同时嵌入到一个空间,得到任务的潜在信息,克服了图分类模型嵌入空间共享问题;通过任务驱动模块获得与任务相关的参数,达到了图分类模型的特征提取模块与任务相联系的目的。通过大量的实验证实了本文的三种用于图分类的任务相关元学习解决了传统图分类方法的泛化能力不足问题。