在大样本条件下,深度学习模型在图像识别领域取得了极大的成功,在很多图像识别任务中也已经超过了人类识别的水平。但在训练样本极少的情况下,传统大样本的深度模型极易产生模型过拟合和模型泛化能力低的问题,即大样本条件下的深度学习模型无法满足小样本条件下的学习问题。基于此,许多研究工作通过数据增强、自监督以及利用语义信息等方法以弥补训练样本量不足的缺陷,并引入迁移学习、元学习等方式来预训练模型或加速模型优化,进而改善模型泛化性能。但由于这些方法仍然无法满足训练样本量极少条件下对模型图像分类性能的要求。因此,本文基于传统的神经网络结构,针对上述问题完成了以下三个工作:1.提出了一种新的适用于Few-shot图像分类的混合注意力机制。在小样本条件下,样本的细节特征对分类性能的影响非常重要,而目前的方法很少关注图片的细节特征和空间特征。基于上述问题,本文提出将通道注意力和空间注意力结合起来,构成一种新的混合注意力机制。该混合注意力机制在空间维度提取更精细的特征,在通道维度提取更具区分性的特征。通过融合这两种不同的特征,学习更简约、更有用的信息,从而提高神经网络在Few-shot图像分类上的准确性。实验结果表明,本文提出的方法与现有的方法相比,模型的分类精度显著提高。2.提出了一种新的适用于Few-shot图像分类的双相似性网络（BSNet）结构。目前基于度量学习的Few-shot学习都采用单度量的网络结构,而这种结构极易产生度量偏差,导致模型的泛化能力降低,特别是在训练数据量较小的情况下则更为明显。为了解决这一问题,本文在单度量网络结构的基础上,设计了一种新的双相似性网络结构,从两种不同的度量角度对特征样本的空间进行约束,使学习的特征能同时适应两种相似性度量,将同一类内的样本映射到更小的特征空间中,从而缓解单度量模型带来的度量偏差问题。在多个细粒度数据集上的实验结果表明,本文提出的方法与现有的方法相比,模型的泛化性能显著提高。3.提出了一种新的适用于Few-shot图像分类的局部特征Transformer。目前的Few-shot学习往往会忽略局部特征间的关系,从而在特征提取时不能正确识别背景及无关信息,导致模型分类结果极易产生偏差,模型的泛化能力不足,特别是在训练数据量较少的情况下则更为明显。为了解决这一问题,本文在Few-shot分类任务下改进特征提取方式,设计了一种新的面向Few-shot图像分类的局部特征Transformer网络结构,在每张图像的局部特征间使用自注意力机制,使得图像的局部特征更加紧凑,从而让特征更具判别性和识别度。在多个Few-shot数据集上的实验结果表明,本文提出的方法优于现有的分类方法。本文通过对Few-shot图像分类问题的研究,所提出的三个方法都对神经网络结构进行了改进。这些改进的网络结构不仅能够提升Few-shot图像分类的性能,而且能够作为一个即插即用的模块应用于已有的网络结构上,来解决诸如目标检测、行人重识别、文本分类等其他任务。