目前深度学习技术已经在计算机视觉领域取得了极大的成功,在例如医疗影像、身份识别、智能交通、图像合成等领域得到广泛的应用,随着深度学习算法的不断发展与技术突破,人工智能技术正逐渐广泛的进入社会的方方面面,成为关系国计民生的重要技术。然而目前大多深度学习模型若想取得较好的效果通常都需要依赖于海量的数据集资源,高精度的模型往往伴随着更深层的网络结构,更苛刻的硬件资源需求以及更大量且具有多样性的训练数据。一方面这将耗费大量的人力和财力,另一方面在现实中的一些情境下很难采集如此大量的数据,数据稀缺常常是深度学习技术面临的主要问题,这无疑限制了深度学习技术的发展与实际应用,成为技术发展的瓶颈,因此对小样本学习技术的研究具有重要的理论意义和应用价值。目前的深度神经网络算法也缺乏一定的可解释性,模型的泛化能力以及算法本身仍具有很大的改进空间。近几年图像生成技术也得到学术界广泛的关注,在人脸生成、图像超分辨率、图像风格迁移、图像修复等场景都取得了显著成功,图像生成技术也有助于更好的建模样本数据,与图像识别技术相辅相成,并且可以通过扩充数据集进一步提升识别模型的准确率,而图像生成技术在训练的稳定性以及生成图像的质量和多样性上也存在一些困难,因此对小样本条件下的图像生成技术展开研究并进一步提升小样本图像分类模型的性能也具有重要的研究意义。深度学习技术在近几年得以发展很大程度上得益于硬件的进步,除了在计算机视觉领域,深度学习也广泛的应用于语音识别、广告推荐、搜索引擎、游戏、金融等领域,随着大数据与人工智能技术的不断发展,这些领域中越来越多的问题得以通过深度学习技术而解决,自动驾驶作为安全攸关的系统也是目前人工智能的重要研究方向,物联网技术快速发展,5G网络技术正在加速部署,这些技术更多的从服务器端转移至嵌入式终端是大势所趋,在这些情境下对系统的正确性与实时性的要求也越来越高,硬件技术也扮演着更为重要的角色,因此对人工智能新硬件进行分析和总结也具有重要的应用价值。本文首先对基于深度学习的小样本学习技术以及胶囊算法展开了研究,介绍了目前主流的小样本图像识别算法和胶囊算法的原理,将动态胶囊路由迭代一致性机制与原型网络相结合,旨在设计泛化性能更好,并且对测试中样本的姿态具有更优鲁棒性的小样本图像分类模型,并针对其中存在的问题,为该模型提出了多边际余弦损失函数,最终提出了 CosGCN模型,保证了识别精度的同时也提升了模型训练时的计算效率,在小样本数据集Omniglot和miniImagenet数据集进行了实验,结果表明模型具有更好的姿态鲁棒性。本文也对目前主流的图像生成算法展开了研究,介绍了常见的GAN网络和VAE网络,以及二者的改进算法和混合模型,最终在IntroVAE模型的基础上对训练策略和损失函数进行了调整,提出了适用于小样本图像生成的生成模型,模型在Omniglot数据集训练能够生成质量较好并且具有多样性的样本,并通过对数据集进行扩充进一步提升了提出的图像分类模型的识别精度。本文也对目前人工智能新硬件进行了分析和总结,包括PC平台的GPU、嵌入式GPU、神经网络加速器以及FPGA,本文提出的算法在PC平台的GPU上实现,分析了硬件资源与算法的计算效率,最后展望了未来在嵌入式平台通过对模型进行进一步轻量化的设计而得以实现的研究方向。