近几年,小样本学习得到了越来越多的关注。不同于深度学习依赖大量的训练数据,小样本学习只需要很少的几个样本来进行监督学习。因此,在许多无法获得大量样本的工程应用中,小样本学习具有广阔的应用前景。如何从有限的样本中有效地提取特征是小样本学习中最关键的问题。针对这一问题,本文开展了如下研究:（1）基于局部特征注意力的小样本学习算法研究。本文首先介绍并通过实验对比了多种获取局部特征的方法。接着,从注意力角度出发研究了局部特征之间的局部匹配度关系。基于支持集样本和查询集样本之间的局部特征匹配度,提出了支持-查询局部特征注意力模块。利用局部特征注意力,可以计算出每个类原型的局部特征的重要性,从而对查询数据进行分类。此外,还研究了支持集和支持集之间的局部特征相似度关系,并提出支持-支持局部特征相似度模块。利用局部特征相似度,可以自适应地计算局部特征的边际损失,进一步提高网络的准确性。最后,在两个基准数据集上的实验表明,提出的算法优于基线算法,在miniImageNet数据集的5-way 1-shot设置下准确率提高了 3.62%。（2）基于图神经网络与局部特征聚合的小样本学习算法研究。本文利用图神经网络对不同局部之间的关系进行自动提取与聚合,取代了（1）中手动提取的局部特征之间的匹配度关系使用的局部特征注意力方法,从而结合更多局部特征之间的关系来获取到表达能力更强的特征。首先,将提取出的局部特征按照相关性构建出初始图,用于图神经网络的训练。接着,在图网络的更新过程中,提出了多聚合的方式,使得图的节点能够充分利用到其他节点的信息。最后,得到图网络更新后的图结构,并将图的节点特征和边特征用于生成损失函数对整个网络模型进行训练更新。实验表明,该方法优于基线算法,并在miniImageNet数据集的5-way 1-shot设置下准确率提高了 3.99%。（3）基于局部特征的小样本学习算法在布匹瑕疵检测中的应用研究。首先,对已有的布匹瑕疵数据集进行采样分析,构造了三个小样本场景下的布匹瑕疵数据集;其次,通过与深度学习方法的对比实验,证明了本文提出的两个算法在布匹瑕疵检测分类任务中的有效性。最后,设计并开发了基于小样本学习分类模型的布匹瑕疵分类系统。