小样本学习是近年来计算机视觉领域的一个研究热点,它借助模型所积累的先验知识,试图用少量的标记样本来完成对未知类的分类。虽然在这一领域很多工作取得了重大进展,但与传统的深度学习相比,小样本学习在分类精度与泛化能力等方面依然存在较大差距。而且,先前很多小样本研究工作很少重视在特定任务的上下文中,利用实例之间的特点来反映类之间以及类内样本之间的关系,因而不能学习出最具代表性和区分性的任务相关特征。针对上述问题,本文提出了一种新的小样本学习方法——基于注意力机制的任务相关小样本学习。（1）在利用主干网络学习和提取特征的基础上,本文提出了一种任务相关特征增强方法,该方法充分利用每个任务支持集中的类内和类间关系,旨在将任务无关特征向量转变为任务相关特征向量。具体地,任务相关特征增强首先进行类内共性特征选择,以增强类内样本间共享的共同特性,充分捕捉类内特征的内在相关性,然后进行任务相关特征映射,通过尽可能地屏蔽一切不相关的特征,来增大支持集的类间距,为当前小样本分类任务选择出最具代表性和区分性的特征;（2）本文提出一种基于注意力机制的自适应比较方法,该方法将注意力机制作为一种全新的小样本度量学习方式,而不是其它网络架构的增强组件,并通过一种与元素有关的、与位置无关的注意力策略来评估具有代表性的任务相关特征向量和未标记查询特征向量之间的相似度得分。本文在miniImageNet、Omniglot和tieredImageNet三个标准分类数据集上对提出的模型架构的有效性进行了充分验证。首先,本文验证了将ResNet-12网络作为特征提取网络能够使模型架构发挥出最佳的分类性能;其次,本文通过对比其它优秀主流方法,证明了本文提出的方法的优越性,在miniImageNet数据集中的1-shot设定和在Omniglot数据集与tieredImageNet数据集中的两种设定上都取得的最优的分类效果;本文还通过进行消融实验,验证了任务相关特征增强与自适应比较相结合能显著提高模型的分类性能。以上实验结果表明,与现有的方法相比,本文提出的小样本学习方法在分类性能上实现了显著的提升,在小样本分类学习任务这方面取得了非常有竞争力的结果。