经过近年来的快速发展,现有的深度学习技术已在图像分类领域展现出强大的性能,但这往往需要大量的标注样本对模型进行训练。而在很多现实场景中,有标注的样本通常是稀缺且昂贵的。为解决此问题,人们提出了元学习（Meta-learning）,期望仅使用少量的标注样本就能得到令人满意的效果,相关研究对医疗、行人再识别等缺少标记样本的领域有着重要的现实意义,元学习也是深度学习领域研究的热点之一。元学习的主要思想是:首先,让模型通过使用非目标任务的标注样本进行训练,学会如何去学习;而后,当遇到新任务时,模型便能够快速适应,仅使用少量目标任务的标注样本就能得到较好的效果。然而,现有元学习的主要目标,是在第一步得到一个普适性强的模型,对所有未知任务都有一定的泛化能力,但缺乏对目标任务的针对性,同时也会削弱模型在特定目标任务上的性能。为了使元学习过程更有针对性,最终得到的模型更适合解决目标任务,本文提出了结合小样本指导的元学习方法,利用目标任务的少量标注样本指导元学习过程。针对于不同的情况,提出了两种方式对元学习过程进行指导,首先提出了基于外部记忆的元学习模型（External Memory Meta-learning,EMML）,利用外部记忆进行指导,但会导致模型缺乏灵活性,因此又提出了元特征自适应模型（Feature adaptive meta learning,FAML）。具体工作内容如下1.由于传统元学习模型缺少存储目标任务信息的结构,本文通过使用外置参数,提出了基于外部记忆的元学习模型,将目标任务的相关知识作为外部记忆存储起来。模型的参数分为两部分:共享参数θ和目标适应参数φ,分别用于存储先验知识和影响更新方向。两部分参数共同影响模型结果,共享参数θ代表从其他任务中学习到的普适性较强的先验知识,将其作为训练目标任务时的初始模型。目标适应参数φ用于存储目标任务中少量标注样本的信息,对共享参数θ在训练过程中的更新进行影响,使模型更适用于目标任务。在模型训练时,两部分参数共同参与计算,但在不同的步骤进行更新,提高模型对目标任务的适应性。实验结果表明,基于外部记忆的元学习模型和其它元学习模型相比具有更好的效果。2.以上所提方法在完成先验知识的学习后,外部参数将固定下来,对于不同的输入数据,这些参数都是相同的。这相当于在一定程度上削弱了模型的灵活性。为了克服这种不足,本文利用通道注意力,提出了元特征自适应模型,以改进模型的内部结构的方式实现少量目标任务标注样本指导元学习过程的目的。该方法首先通过大量样本训练网络的特征提取能力,然后利用通道注意力机制和少量目标任务标注样本,对所学习到的先验知识进行权重分配,对于目标任务有用的相关特征,将给与更大的权重,使得模型更加关注有用特征,得到更好的效果,并减少相关性较弱特征的权重。最终得到适用于目标任务的网络模型。实验结果表明,元特征自适应模型和其它传统元学习模型相比具有更好的效果,并且在复杂任务的情况下比基于外部记忆的元学习模型表现更好。