随着计算机算力与深度学习技术的发展,机器学习算法在分类,识别,分割等计算机视觉任务上显示出良好的性能。但为了训练出性能强大的模型,当前机器学习算法总是需要大量的有标记样本。然而现实场景中存在着一类样本获取困难的任务,因此如何解决传统算法对数据的依赖性,成为了当今研究热点。小样本学习算法(Few-shot Learning)就是利用少量样本快速学习模型的算法,算法学习的目标是在资源受限的条件下学习一个在任务训练集上泛化的很好的分类器。根据元学习(Meta-learning)学习如何去学习的思想,一些工作设计出一种梯度优化算法,快速得到跨任务的模型表示,最终在小样本学习问题上取得了良好效果。有一类基于双层优化的元学习方法,即可微优化元学习网络(Meta-Learning with Differentiable Convex Optimization Net,简称为Meta Opt网络),该算法将元学习问题看成元学习器优化包含了底层基学习器优化的双层优化问题,当基学习器是线性分类器时,可以利用凸优化问题的性质求解外层优化问题,同时模型利用线性分类器可以学习到更好分类边界,在小样本问题中展现了出色性能。可微优化元学习网络使用一种基于GPU优化的QP算子来求解对偶问题。在实际计算过程中,随着输入空间样本维度的增加,QP算子往往并不能得到最优解,即模型的超平面不能求得。因此本文设计一种基于Compact Bilinear的通道表示模块,在增强通道关系的双线性池化表示的同时对特征进行压缩。为了弥补压缩时图像位置语义信息的丢失,本文设计了一种基于协方差的空间注意力表示,提取位置关系之间的协方差表示,同时利用注意力机制进行权重学习,最后和通道特征一起增强特征表示完成分类任务。通过在细粒度数据集和小样本数据集上的实验,验证了该方法的有效性。