图像分类是一项基础且重要的图像处理任务。然而传统图像分类模型需要大量数据进行训练,小样本学习则旨在利用少量带标注的数据训练出较为理想的网络模型,具有重要的应用意义。特征提取是网络模型的重要组成部分,但是小样本学习主流方法的改进方向几乎掩盖了合理的特征提取带来的有效增益。数据量的稀少和采样的特殊性意味着小样本模型对于特征的提取不是很充分。有效的数据特征是模型可以逼近真实数据分布、取得较好效果的关键。本文构建了一个基于小样本学习的图像分类模型,可以从少量样本中较为有效提取和处理特征。具体研究工作如下:（1）网络架构设计与分析阶段,探究并分析小样本情况下特征处理的影响因素。首先讨论小样本条件下经典模型效果提升的局限性;其次从不同角度阐述网络架构设计的关键性;接着在多个网络模型进行相关实验,分别从层级、参数量及稀疏性等方面分析小样本模型性能的影响因素;最后根据以上探究与分析,引出本文的研究动机。（2）特征提取阶段,提出基于稀疏思想的自适应多分支特征提取与融合。针对小样本情况下特征提取与利用问题,多分支结构可以在无需构建较深网络的情况下,提取到丰富的特征,同时缓解较深网络中经常出现的梯度爆炸和梯度消失;各个分支在不同阶段的作用大小不同,通过给予不同特征提取分支相应的自适应权重,使得各个分支在特征融合阶段能够合理地抑制或者放大对应分支的特征信号,从而能够较好地融合特征。（3）相似度度量阶段,提出基于L2范数的自适应中心归一化特征转换。针对可见域到不可见域的跨域等问题,该转换可以紧凑类内聚合、扩大类间边距,较好地提升模型从可见域到不可见域的特征泛化能力,同时L2范数起到正则化效果,抑制过拟合;引入原型度量方法,通过形成类簇,结合特征转换进一步提高模型在相似数据域和交叉数据域的准确率。使用三种具有代表性的数据集,对所提模型在不同场景下进行分类效果测试。结果表明,模型在5-Way 1-Shot和5-Way 5-Shot任务中的准确率与Baseline相比分别提升9.81%与8.16%、9.16%与9.21%、3.61%与8.29%。通过多种目标特征关注、稀疏性与实时性、类边距等不同方面,分析了模型的有效性;通过进行消融实验,逐个分析了关键模块与自适应参数,验证其重要性和合理性。