图像分割一直是计算机视觉任务的一个重要部分,也是实现机器智能化和理解化的一个前提,在人脸识别,智能驾驶,医学影像等领域有着重要的意义。近年来随着深度神经网络发展,医学图像分割也取得了重大的进展。但是,深度神经网络的训练通常需要大量的数据和标注,由于医学数据的标注需要大量的临床专业知识和时间以及对于患者隐私问题的保护等原因,就导致数据与标注的代价昂贵且难以获取。目前很多方法对问题的解决都是基于有大量数据集但缺少标注的情况,本文提出一种基于元学习（Meta Learning）的小样本医学图像分割的方法就是应对少量数据与无标注的情况,也是为了应对现实生活中的罕见病或者数据很少的疾病的实际情况。本文的研究主要是通过元学习学习不同类别的图像,然后基于无监督的学习方式使用超像素和对应的伪标签消除了手动标注的需要,同时引入本地自适应局部池化模块保留表征中的局部特征来提高分割精度。本文使用超像素和其对应的伪语义标签来进行训练还能够使基于元学习的无监督学习能够推广到真实的语义标签类,并且为了加强表征在支撑集和查询集之间的不变性,我们在训练中使用随机的几何强度。除此之外,现有的许多无监督学习方法在测试之前需要对标注数据来进行微调,本文提出的方法是不需要的。本文提出的方法相比与现在已存在的标准3D UNet和SE-Net方法,在小样本的医学图像分割中得到了良好的结果。本文实验在腹部核磁共振图像上平均Dice系数达到了77%,相比U-Net和SE-Net分别为34%和64%,实验结果证明对于医学图像分割我们的方法优于其他方法,并且后者需要人工标注进行训练。另外,本研究通过对实验条件设置的修改,然后再与一些现存的前沿的小样本方法进行了对比,通过实验结果的数据证明了本研究的方法适应性和有效性。