在大数据时代的背景下,深度学习技术逐渐在各个领域中取得了成功。但在实际的应用场景中,大规模标注数据集的采集难度大、标注成本高,造成了训练网络模型样本量不足、无法获得有效模型的问题。因此如何通过少量的标签样本来对网络模型进行训练,使其能够从小样本数据中进行有效的学习,逐渐引起了人们的关注。而图神经网络凭借其优良的可解释性以及能充分利用已有样本特征信息的优点,使其在小样本图像分类任务中逐渐得到应用。本文将结合元学习的训练策略,来对基于图神经网络的小样本图像分类算法进行研究。在基于图神经网络的小样本图像分类算法中,通常利用浅层的特征提取网络来获取图像特征,以此作为初始节点来构建初始的图结构,进而在后续的更新过程中完成对相邻节点信息的传播与聚合。为解决浅层网络带来的特征提取效果不佳的问题,本文加入基于图像旋转的自监督学习方法来为特征提取网络加入额外的监督信号;同时在网络中加入Shuffle Attention注意力机制,使网络更加关注到重要的目标物上。通过这两种方法来提升特征提取网络的性能,进而对初始节点中包含的特征信息进行增强。同时在小样本数据背景下,为了让图神经网络进一步挖掘样本中节点特征与边权特征的隐藏信息,本文提出了多分支聚合图神经网络MAGN。该网络主要包括两个部分:多分支节点特征聚合模块在网络更新的过程中,将不同分支上代表不同深度的节点特征进行有效的聚合;多分支边权聚合模块将不同分支上的边权以取最大值的方式进行聚合,为最终的图神经网络分类提供了更多的依据。最后在mini-ImageNet、CUB-200-2011和CIFAR-FS三个小样本数据集上进行实验,并进行相关的分析,实验结果表明本文提出的算法在三个数据集上均获得了不同程度的提升,验证了算法的有效性。