随着近年来深度学习的不断发展,出现了很多结构复杂,性能优异的深度神经网络。越来越多的人工智能应用领域如计算机视觉、自然语言处理和语音识别等都使用深度学习方法解决问题。在构建深度神经网络后,需要给网络提供高性能的计算环境和大量的训练数据,才能充分发挥神经网络的优势。在现实生活中,很多领域难以获得足够的训练样本,因此会造成网络的性能下降。此外,传统的神经网络可扩展性较差也是深度学习方法的缺点之一。因此,本文围绕少样本的图像分类问题进行研究,从提高特征表达能力、半监督少样本学习等方面出发,提出不同的解决方案。首先,本文针对现有的基于度量学习的少样本方法在特征提取时并未考虑不同层特征的关联,提出了多层特征融合的方法。该方法的思路是利用不同层特征的特性实现少样本分类。为了实现多层特征融合,本文采用了一种“自顶向下”的特征金字塔结构,将不同层的特征联系起来,从而消除不同层特征之间语义的差异性。本文使用了关系网络和原型网络作为基线网络,并将多层特征融合的方法与基线网络相结合。该方法在mini Image Net、CUB-200和mini Dogs Net的数据集取得了比基线网络更高的准确率。其次,本文发现在细粒度数据集下,特征之间的可判别性不强,不同类别的特征容易混淆在一起。为了解决上述问题,本文利用了特征映射与图像区域之间的关系,提出了一种空间注意力网络。该方法能够捕捉图像中的关键区域,并分配高的权重值以突出该区域的特征,从而使特征更具有可判别性。从测试结果看,空间注意力网络在CUB-200和mini Dogs Net细粒度数据集的准确率有所提升,并且在mini Image Net数据集上保持较高的准确率。最后,本文将半监督学习与少样本分类结合。在半监督的少样本学习中,训练集将去掉大量的有标签数据,仅保留少量有标签数据。而在测试中,每一个类别有少数有标签的样本和大量无标签的样本,需要利用这些样本对测试集样本进行分类。因此,本文采用了一种伪标签技术,在训练和测试阶段会对无标签数据生成伪标签,以解决上述场景下的少样本学习。在mini Image Net、CUB-200和mini Dogs Net的数据集测试下,对比有监督的少样本分类方法的准确率,该半监督的少样本分类方法能够取得有竞争力的结果。