细粒度图像分类是计算机视觉领域中的一个重点研究方向,由于细粒度图像数据存在难以收集与标注昂贵的特性以及细粒度类别间相似度高的特点,其识别难度往往远高于通用图像数据的识别。现有的细粒度图像分类方法尽管在一定程度上缓解了类间差异小的问题,但这些方法的训练却倾向于依赖大量数据,而在样本量少的情境下无法很好地完成分类。为了解决上述问题,研究人员提出了针对细粒度图像分类场景下的小样本学习方法,这些基于小样本学习框架的方法挖掘图像的局部信息,使模型尽可能地减小对数据量的依赖。但这些方法却忽略了特征之间的关系对于分类效果的影响,从而导致分类结果并不理想。本文基于现有的小样本框架,并结合特征之间的关系,提出了两种针对细粒度图像分类场景的小样本学习方法。在充分考虑特征之间关系的基础上,本文提出两种新的小样本学习模型用于解决小样本细粒度图像分类问题。论文的主要工作如下:（1）提出了基于全局-局部特征融合的小样本细粒度图像分类方法。该方法的核心思想是利用全局特征与局部特征之间的关系构建注意力图,以注意力机制提升局部特征的判别性,从而提升分类能力。我们应用原型学习的思想得到类别的全局特征,并借助该特征构建类别相关注意力图（Class-aware Attention Map,CAM）,利用该图可以使模型更关注关键性局部区域。同时,在模型中引入了一种基于局部特征之间关系计算相似度的度量学习方法,该方法对特征进行了扩充以提升小样本学习的准确率。该模型还设计了联合损失函数来对全局特征的影响程度进行调节,使得模型能够达到最优的状态。最后,通过在多个细粒度图像数据集上的对比实验验证了该模型的有效性,同时利用可视化以及消融实验验证了模型各部分对模型性能的影响。（2）提出了基于局部特征组合的小样本细粒度图像分类方法。该方法的核心思想是设计了局部特征组合机制和局部区域注意力机制用来提升特征的表示能力,从而提升模型的分类能力。由于直接使用局部特征分类会引入噪音特征,同时特征分布散乱无法很好地对图像、类别进行表示,因此我们引入了局部特征组合机制来对局部特征进行整合使得新的代表特征能够更加完整的描述类别和图像。基于新的区域代表特征,本文提出了一种区域注意力机制用于找到不同区域的重要性,利用该重要性向量来指导预测结果,一般来讲,更具判别性的区域对分类影响大,反之则小。最后,通过在细粒度图像上的对比实验验证了该方法的性能,同时利用消融实验验证了方法各部分的有效性。