在研究人员们的不懈努力下,基于深度学习的机器视觉系统已经在许多分类任务的基准测试上达到了接近甚至于超越人类的水平。尽管如此,机器视觉系统在解决标注数据稀缺情景下的分类问题时,往往会因为模型陷入过拟合而性能表现快速劣化,无法完成预期的分类任务。为了解决这个问题,深度学习中开辟出一个新兴的研究方向,即小样本学习。小样本学习能够快速地从少量的参考样本中学习到关键的知识以胜任新的任务,除了解决数据稀缺情景下的深度学习问题,还对探索通用人工智能技术具有启发意义。通过在距离度量方法中引入对参考样本代表性差异的考虑,模型得到更好的类别表示,本文提出了一种简单高效的小样本学习网络:关键方向投影网络。它涉及两个关键步骤:第一步是在嵌入空间中找到每个类别的关键方向,第二步是根据投影长度来度量样本和关键方向之间的相似性。本文的主要贡献包括:1)为了提高小样本学习在分类任务上的精度表现,本文提出了一种高效的小样本学习网络——关键方向投影网络。关键方向投影网络从特征提取,距离度量,训练策略等多方面对网络进行了改进,并且对比其他网络在多个小样本学习的基准数据集的实验中都达到了先进水平。2)为了解决三维数据采集困难和获取成本高的问题,本文将关键方向投影网络扩展到三维点云数据的小样本学习,并基于Model Net40提出了一个新的小样本学习数据集Few-shot Model Net40,为今后的研究提供了一个良好的参考基准。3)为了解决了任务目标场景类别未知情况下的室内场景识别问题,并提高机器人对复杂环境的适应能力,本文将关键方向投影网络应用在室内场景识别问题上,并在室内场景识别的基准数据集和人工采集的数据集上都进行测试,测试结果表明了小样本学习在场景识别问题上的潜力。