元学习也叫学会学习,能够在已有知识的基础上快速获取新知识,适应新任务,是近年来机器学习领域的研究热点。在多数实际场景中,无标签数据比有标签数据更容易获得,因此,半监督思想被逐渐推广到元学习中。尽管现有的研究已经取得了一定的成果,但仍存在特征利用不充分、原型（类别表示）的代表性和可区分性不强以及无标签数据的利用方式不够完善的问题。本文通过自主设计的增强策略针对现有的半监督元学习算法存在的上述问题进行研究。本文的创新点如下:（1）提出了原型增强的半监督元学习算法（PESSML）。针对特征利用不充分的问题,使用任务上下文信息交互方法对特定于任务的信息加以利用。原型是类别的代表,在分类过程中起决定性作用。针对原型代表性不强的问题,提出原型重置方法,使用部分置信度高的无标签样本对支持集进行扩展,获得更具代表性的原型。PESSML算法可以根据不同的任务进行调整,快速适应新任务。在两个元学习分类的基准数据集上进行的实验证明了算法的有效性。（2）提出了类级别注意力增强的半监督元学习算法（CARSSML）。针对已有方法对类别原型中所有通道的特征给予相同程度的关注度,不关注每个类别与其他类别之间最具区分度的特征的问题,提出类级别注意力方法,加强对关键特征的注意力。针对无标签数据的利用方式不够完善的问题,使用随机数据增强方法为无标签样本分配伪标签,生成权重作为系数,通过系列加权计算得到新原型。在两个元学习分类的基准数据集上进行的实验证明了算法的有效性。（3）将上述两个算法应用到实际的医学图像分类任务中,设计并实现了一个基于上述提出算法的医学图像分类系统。系统利用元学习的学会学习的能力,在样本数目较少的情况下快速适应不同的医学图像分类任务,对疾病的类别进行判别,辅助医生诊断和治疗疾病。