近些年来,人工智能相关研究进展迅速,深度学习算法在众多应用领域中大展身手,取得了许多令人瞩目的成果。为了在特定任务上表现出优异的性能,深度学习模型往往需要依赖大量数据进行长时间的迭代训练。然而,在实际应用中的某些领域,大规模数据的采集和标注成本昂贵,甚至诸如珍稀动物,罕见疾病相关大规模数据的采集几乎是不可能完成的。为了在数据稀少的情况下对深度学习模型进行训练,小样本学习应运而生。在图像分类任务中,小样本学习旨在通过对新类别少量样本的快速学习就可以获得对该类别图像的识别能力。针对小样本图像分类问题,本文主要关注基于度量学习的小样本学习算法,并从注意力机制的角度展开研究,主要贡献如下:在现有的基于度量学习的小样本学习算法中,一般选择同类别有标签样本特征均值作为类别原型表示,并且在度量模块采用一对一的度量模式,缺乏对分类任务整体信息的感知。针对这一问题,本文在关系网络中引入模糊C均值聚类算法,从任务全局出发,聚类生成任务相关的类别原型,使得新生成的类别原型包含任务全局信息。然后在关系网络的度量模块中,提出任务注意力机制算法,用于将分类任务全局信息聚合到输出特征空间维度的每一个位置上,使得度量模块中后续的卷积操作可以获得任务全局信息,从而自适应的对局部连接的特征进行比较。在Mini-Image Net等数据集上的实验结果证明,模糊C均值聚类算法和任务注意力机制的加入使得关系网络的度量学习能力得到了显著提升。最后,本文在关系网络的基础上提出稀疏注意力机制算法,用于将图像中的语义相关特征聚合到局部空间位置,使得后续局部连接的卷积核可以对处于不同空间位置的语义相关特征进行比较,从而克服关系网络的局部连接性问题。我们利用多层感知机为局部位置自适应的生成相关性阈值,并利用阈值实现对全局信息的筛选,从而在聚合语义相关信息的同时,抑制无关信息的干扰。对比实验结果证明,相比较于全局注意力机制算法,本文提出的稀疏注意力机制算法更进一步的提升了关系网络的度量学习能力,使得识别性能进一步提升。