最先进的语义分割方法需要足够的标记数据才能获得良好的结果,并且在没有微调的情况下很难在看不见的类上工作。因此,为了解决这个问题,提出了小样本语义分割,通过快速学习少量带有真值掩码的样本,从而适应训练集中未出现过的新类别。本文提出的方法分为三个部分,第一个部分为特征迭代优化模块,因为现有的小样本语义分割方法主要采用全局池化操作来生成原型特征,这种操作会使网络完全放弃当前对象的空间布局,简单的混合来自各个部分的语义信息。为此,本文采用聚类方法,为每一个类别建模。首先为每一个类别生成一个初始质心,将此质心和随机初始化的特征求余弦相似度,在迭代的过程中不断优化这个随机初始化的特征,使它的分布逐渐靠近最优的质心,以此方式来提高引导特征的表现能力。第二个部分为相似性挖掘模块,现有的方法是在支持掩码的帮助之下,由支持特征去引导查询特征完成分割,但这些方法忽略了对支持图像和查询图像间共性特征的利用,为此我们提出相似性挖掘模块,通过挖掘支持-查询图像中的共现特征来生成强化的特征表示。强化的特征反映了支持-查询特征对中具有高激活度的相似特征,可以被视为将支持信息传播到查询特征的桥梁,通过这种方式,可以实现对支持-查询特征的充分利用。最后,我们在网络中引入混淆区域识别策略,用于减轻混淆区域对网络产生的负面影响。并且本文在两个不同的数据集上对网络进行了性能测试,结果表明,本文所提出的方法所得到的性能指标和可视化效果上都超过了以前的方法。