大数据时代的降临,伴随着医学成像设备的升级,产生了大量的医学影像数据,加重了影像分析医生的负担。因此,容易会出现疾病漏诊误诊的情况,导致诊断结果出现偏差。人工智能技术使计算机辅助医生进行疾病诊断成为可能。辅助诊断不仅减轻了医生负担,还减少了漏诊误诊的可能性。医学影像分割技术,正是辅助诊断的基础。然而,基于深度学习的分割技术需要大量的已标注信息。该需求与当前医学影像标注数据量少、标注数据昂贵、迁移成本高存在矛盾。因此,本文提出了一种基于小样本学习的医学影像分割技术,分别从先验知识的算法、数据、模型三方面展开研究,充分利用已有的标签数据,并使用少量的标签就能使网络完成新类别标签的分割任务。本文主要工作包括以下三点:（1）算法方面:由于数据增强操作对不同的医学影像数据有不同程度的作用,为了利用先验知识优化搜索最优模型,提出了基于迁移学习的小样本增强策略。通过评估各操作对该数据集的效果设置概率;然后使用基于分类网络的自监督学习模块,获得小样本分割的特征提取网络的初始参数;最后将该参数迁移至小样本分割的特征提取网络。在三个小样本数据集的分割任务上证明了该策略可以提升网络分割的精度。（2）数据方面:针对医学影像已标注数据量少的问题,为了通过先验知识扩充训练数据集,提出了一种基于生成对抗网络的医学小样本扩充技术,用于对数据集进行扩充。该方法针对不同任务的目标域,设置了两种框架,并提出了基于任务的分割损失函数。在三个数据集上进行了验证,获得了质量较好的生成数据集和更优的分割评分。（3）模型方面:结合所获得的算法和数据方面的先验知识,为了利用先验知识缩小模型需要搜索的空间,使小样本分割模型在分割新数据样本时不进行微调也能得到较好分割结果,提出了一种面向医学影像原型提取的小样本分割技术。该技术通过多尺度特征提取、多原型融合等方法,在三个数据集上完成了对新类别较准确地分割。