近年来,深度学习发展迅猛,在国内外都引起广泛关注。由于深度学习具有强大的学习能力,已经成功应用于多种模式分类问题中。在实际生活中,样本的特征维数经常会很高,而样本的获取总是存在困难,因此小样本问题是普遍存在的。研究如何在小规模的样本集提高学习算法的准确率具有重要意义。本文提出了基于概率图模型的分类方法。首先我们给出了聚合空间和特征空间的定义,证明聚合空间可表示对象集的边缘概率,特征空间可表示对象集的联合概率。运用概率图模型理论,将聚合空间和特征空间构造为结点集在聚合空间集和其自己的连接边上构造权重,通过学习训练样本,更新参数。实现网络的分类功能。为了验证本文方法的有效性,和在小样本集中分类的准确率,在15Scence和Caltech101图像数据集上进行验证试验。实验结果表明本文方法在小样本集上有较好的分类效果。其次,提出基于概率图模型的表情分类方法。在传统表情识别方法研究中,研究者多将整张面部表情图像作为特征信息,从而忽视了面部各区域之间的相互关系。基于此,本文提出了一种表情区域分割方法,将面部表情图像划分为5个面部区域,基于概率图模型的理论基础,构建5个表情分类子网络,建立Softmax分类器,由表情分类子网络和Softmax分类器构成基于概率图模型的表情分类模型,实现对表情图像的分类。最后,通过在JAFFE人脸表情库、CK表情数据库和Fer2013表情库上进行实验分析,本文算法在JAFFE人脸表情库和CK表情数据库上识别准确率分别为97.78%和98.95%。分别提高了1.85%和5.92%准确率。实验结果表明,本文方法对表情分类识别结构的提高有重要意义,并且本文方法有效提高了对于小样本图像的分析与理解能力。该论文有图49幅,表10个,参考文献50篇。