深度学习的成功源于大量的标记数据,与之不同的是,人类仅仅通过少量的样本就具有很好的认知识别能力。两者之间的差异引发了人们对小样本学习极大的关注和研究。与传统的深度学习场景相比,小样本学习是根据新任务中少量的标签数据（支撑集）和以往获得的知识预测新任务中未标注的数据（查询集）。近年来,小样本学习方法借助元学习和情景训练策略,取得了长足的进步。其中情景训练策略是随机的从数据集中构造一个个元学习任务进行模型优化。已有实验验证使用情景训练策略是很有前景的一种方式,这种方式将知识从已知的类别（看到的有足够多的类别）转移到新类别（有很少样本的新类别）,模拟人类学习过程。尽管使用情景训练策略非常有效,但是,该策略忽略了两个关键性问题:（1）当利用情景任务不断训练时,过去学到的知识如何能对新任务起作用。（2）基于情景训练的小样本学习方法忽略了类内多样性的重要,过分注重当前情景任务的类间的判别性,导致学习到的特征无法迁移到新任务上。针对这些问题,本文进行了面向情景训练机制的小样本图像分类研究,基于此,本文主要研究内容和贡献如下:（1）针对第一个问题,本文提出了基于记忆力机制的小样本学习方法,能够建立情景任务之间的联系,并充分利用过去所学的知识。与现有的元学习方法不同,本文引入了记忆增强的动态记忆模块,建立了一个元知识记忆库存储训练过程中每个类的代表性特征。同时,为了充分利用元知识,本文还引入了一个图增强模块,通过元知识挖掘聚合记忆库中与当前任务相关的知识,之后将聚合的元知识和当前任务的样本特征一起送入到具有自适应加权的图神经网络中,挖掘它们之间的关系,从而实现新任务快速、全面的推理。（2）针对记忆库没有反向传播,而用于提取特征的编码器通过反向传播不断更新参数,导致同一样本在不同情景任务中不一致的问题,本文提出了基于记忆提纯的小样本学习方法,能够保证学习到的知识稳定和一致。本文从信息瓶颈的角度学习每一个类别的最佳原型表示。通过从语义标签中逐步提炼信息,使所存储的知识具有普遍的表达性、一致性和稳定性。（3）针对第二个问题,本文提出了两阶段的基于自监督与知识蒸馏的小样本学习方法,能够学习到数据的表示在正确区分不同类别的同时,对数据变化的共同因素是不变的。自监督预训练阶段,使用自监督辅助训练,使输出预测与输入样本变化的共同因素是不变的。此外,考虑到预训练与情景训练机制的优势互补,在预训练完后,随机构造一个个元学习任务,使用知识蒸馏保证学习到的特征具有类间判别性类内多样性,同时具备了任务变化的泛化性,从而更好的迁移到新任务。本文在四个小样本数据集上（mini Image Net,tiered Image Net,CUB-200-20和CIFAR-FS）的实验结果表明,与该领域基准算法以及近几年性能最好的算法相比,本文所提出的算法可以在所有数据集上取得更高的分类准确率。从而,进一步验证了本文算法的有效性和优越性。此外,本文的主要方法已被IJCAI2021录用。