随着GPU等硬件设备的发展和大型标注数据集的公开,深度学习在计算机视觉领域展现了突出的性能。通过层层堆叠神经元,深度学习构建包含大量可训练参数的深度神经网络模型,并利用大量标注数据训练模型参数,使深度模型获得较好的性能。然而,大型标注数据的获取需要繁琐的人工参与。在某些任务中,数据收集和完整标注困难,使得高质量大型标注数据集的获取需要高昂的时间和金钱成本。另外,某些任务的数据标注需要一定的专业领域知识,进一步加大了数据标注的难度。因此,这些任务往往只能利用少量标注样本对模型进行训练。由于小样本数据集中有限的训练数据容易导致深度模型过拟合,出现泛化能力弱的问题,因此研究如何使深度模型在小样本数据上被有效应用具有重要的意义。为了有效地提高深度模型在小样本数据上的性能,提出方法先分析有限数据内部的相互关联并构建关系图,再利用图神经网络模型实现关联数据间的信息互享,从而有效地弥补小样本数据信息不足的问题。本文将提出方法分别应用在小样本数据的视觉推理任务,细粒度分类任务和多标签分类任务上。在视觉推理任务中,提出方法基于描述语句构建图片内物体关系图,表达物体间关系并实现物体间信息分享,从而有效预测描述语句对应的物体。由于细粒度分类任务中训练图片有限,类别与属性具有明确的对应关系,因此提出方法构建类别-属性关系图,通过共享类别和属性信息以获取图片中具有类别区分性的区域,提高模型预测性能。针对多标签图片中类别多且标注不完整的特点,提出方法构建类别关系图以表示类别间的依赖关系,利用相关类别的信息互享,进一步提高模型的预测准确率。为了验证提出方法的有效性,本文分别在视觉推理任务,细粒度分类任务和多标签任务的常见数据集上进行实验。对比其他已有方法,实验结果表明提出方法在三种任务上都实现了较好的性能。由此说明,提出方法利用图神经网络实现数据内部的信息互享,有效地提高深度模型在小样本数据上的性能。