随着计算能力的提升和大型标注数据集的开源,深度神经网络模型在图像分类任务上取得了巨大成果。但是,由于深度神经网络模型往往具有大量的参数,当训练样本不足,模型会遇到过拟合,泛化能力差等问题。现实生活中,很多场景并没有足够的样本,例如医疗影像、珍稀物种等。因此,如何利用有限的样本使得分类模型快速地学习新类别,即小样本学习,具有重大研究意义。处理小样本学习的一种主要方法就是度量学习,其通过学习有效的图像表征和表征之间的距离度量来实现图像分类。本文重点研究了基于度量学习的小样本图像分类算法,主要内容如下:首先,针对原始高斯原型网络中表征的分类适用性较弱问题,我们提出利用局部互信息进行修正。我们用高斯分布来表示每个样本在隐空间中的表征,并最大化样本和表征之间的局部互信息。基于高斯分布的表征使得网络可以构建一个将维度与类别关联起来的距离度量。局部互信息最大化使得网络可以判别同类别表征之间的共享信息和不同类别表征之间的独有信息,保证表征适用于图像分类。同时,由于样本量不足,计算得到的原型和真实原型之间存在一定的偏差,结合转导推理和卡尔曼滤波器,我们提出了转导卡尔曼数据融合来计算每个类别的原型,进一步修正该原型偏差。其次,许多基于全局表征的小样本学习方法不能有效地捕获图像丰富的局部特征,导致其不能很好地同时处理细粒度图像分类。针对这个问题,我们提出基于弱监督目标定位的小样本图像分类算法。目标定位可以获得图像的最具区分性区域,这对于图像分类特别是细粒度图像分类十分关键。为此,本文设计了一个基于注意力的互补擦除模块来实现弱监督目标定位。然后利用目标定位得到图像的特征描述子表示,这种局部表征相比于全局表征具备更丰富的语义信息。同时,基于特征描述子表示,我们提出语义对齐距离来更好地度量表征之间的距离。在mini Image Net,tiered Image Net和3个细粒度数据集上和先前工作的比较表明,本文提出的两种小样本图像分类算法在5-way 1-shot和5-way 5-shot任务下均能有效地提高小样本图像分类的准确率。消融实验也证明了所提出的修正方法,弱监督目标定位方法和语义对齐距离的有效性。