近年来,深度学习算法在诸多领域取得了巨大的进步,但是这些方法大多是通过海量的数据对模型进行迭代优化从而获得良好的性能。在部分领域却无法获得大量的数据,为此越来越多的专家学者开始专注于小样本问题的研究,并提出了很多优秀的算法。其中基于度量学习的方法则因其简单而有效的特点在众多算法中脱颖而出。本文就如何有效突出前景区域,以及针对欧氏距离等度量函数等无法适配基于局部特征的小样本学习方法进行了相关研究,并提供了解决方案。首先,当前基于局部特征的小样本学习方法在使用如欧式距离等度量函数度量样本之间的距离时,通常是直接将两个位置相同的局部特征之间相互比较,可能会导致类别相同的样本却有着较远的距离。故本文在原型网络的框架下提出了一种全新的可学习位置编码模块以打破样本固有的空间结构,实现不同区域之间的语义自动对齐。此外,为了使位置编码模块能够更好的工作,设计了一种空间注意力模块作用于位置编码模块之前,对前景区域进行强化从而获得更高的分类准确度。其次,分析到传统的注意力机制是以单张图片的特征为依据,而小样本学习则更加注重样本之间的相关性。所以本文设计了空间相关性注意力模块,通过计算同一类别样本中局部特征之间的相关性,选择性的对类中共有特征进行强化处理,缩小了类内距离。在查询集中,则通过添加额外的损失使样本能够学习到类似支持集的处理方式,将二者映射到同一度量空间中。此外,在分析了卷积操作的特性之后,提出了另一种基于卷积的位置编码模块用于实现不同语义区域之间的自动对齐。最后通过在mini Image Net和CUB-200-2011公开数据集上的实验表明本文所提出的方法均能有效的提升小样本分类精度。