近年来,深度学习模型已经在图像分类和目标检测领域取得了丰硕的成果,但在一些特殊场景中受限于无法获得大规模的标注数据,导致算法模型的效果不能得到进一步的提升。因此,利用少量样本数据进行有效的学习,对于研究者们来说是一个非常有价值的研究课题。本文主要围绕小样本条件下的图像分类和目标检测问题,对现有的小样本分类和检测算法模型进行深入的研究。基于这样的思路,本文的主要工作和贡献如下:（1）目前的一些度量学习方法提取得到的图像特征是单尺度的,忽视了图像的细节部分,没有得到图像的所有全局信息。针对现有方法模型存在的问题,本文提出了一种基于多分支卷积网络的小样本学习分类方法。该方法选取了不同大小的卷积核,引入多条分支进行特征提取。同时,引入了通道注意力机制来获取每个特征通道的重要性,强化包含重要特征的通道,并抑制包含无用特征的通道。受人类视觉系统的启发引入了感受野模块,通过添加不同尺寸的卷积核以及膨胀卷积,实现了每个块中卷积核采样点的更均匀分布。实验表明,在Omniglot数据集上,本文方法的分类准确率在5-way 1-shot和5-way 5-shot任务上分别达到了99.7%和99.8%。在mini Image Net数据集上与多种算法进行对比实验,将5-way 5-shot实验的性能提高了3.67%。至于5-way 1-shot实验,本文算法提高了1.84%,充分证明本文算法的有效性。（2）小样本情况下,新的待检测的目标的数量有限,得到的候选区域中会出现许多与目标不相关联的情况,同时新类样本与基类样本尺度空间的不同以及支持集图像和查询集图像之间的差异性也给小样本图像目标检测带来一定的挑战。针对上述问题,本文沿用二阶段的检测方法,提出了一种基于特征融合的小样本目标检测算法（Few-Shot Object Detection Based on Feature Fusion,FF-FSOD）。针对新类别样本数量少的问题,采用特征融合的方法进行数据增强,对新类别样本进行补充,增加样本的覆盖范围。针对样本类别的尺度存在差异的问题,引入了特征金字塔网络（Feature Pyramid Network,FPN）进行多尺度特征提取。针对小样本条件下较难获得高精度的候选框的问题,对区域候选网络（Region Proposal Network,RPN）进行改进,引入支持集图像分支,计算支持集图像特征与查询集图像特征的深度互相关性,得到注意力特征图,进而获得更精确的候选框。在MS COCO和FSOD数据集上均有良好表现,验证了所提出的算法结构FF-FSOD的有效性。