小样本学习旨在仅依赖少量标注数据实现对新类别样本的高效拟合,这一研究是机器学习领域的重点课题。研究并实现高精度小样本图像分类将使得医学图像处理、无人驾驶避障、实现智能侦察等困难课题迎刃而解,同时也将为自然语言处理、小样本目标检测与跟踪、机器人与强化学习等研究提供技术支撑。然而现阶段的小样本图像分类算法普遍存在结构复杂、需要面向新任务微调、鲁棒性差等问题,为此,本文提出了基于重赋权法的原型网络模型以及基于对比学习的原型网络模型,显著提升了现有算法的泛化性能和分类精度。在此基础上,通过在多个基准数据集的实验充分验证了上述研究成果。本文的创新性成果如下:（1）针对现有小样本图像分类算法在数据集受到噪声干扰条件下鲁棒性差的问题,提出了一个基于重赋权法的原型网络改进模型。该算法模型为小样本任务支持集所有图像分别赋予了独立的自适应权重,其中权重根据支持集监督信息计算得出,自适应方向是使得数据噪声对特征原型表示的影响最小化。算法测试结果表明,相比原始原型网络模型,上述改进显著提升了分类算法在噪声小样本数据集中的泛化性能和鲁棒性。（2）针对度量元学习模型,研究发现通过缩小类内距离并增扩类间距离能够提升小样本条件下图像分类模型的泛化性能,这一研究也称为对比学习。以对比学习理论为基础,本文分别提出了基于三元损失的原型网络模型及基于流形间隔的原型网络模型。算法模型的设计充分利用了支持集的监督信息,优化目标是缩小支持集同类图像特征及其原型的间隔距离,同时增扩不同类特征及其原型的间隔距离。算法测试结果表明,上述基于对比学习的图像分类算法在小样本数据集上表现出优异的泛化性能,在与本研究领域已发表算法的对比中取得最先进精度表现。（3）针对所提出的小样本图像分类算法模型,本文不仅实现了在多个小样本基准数据集上的实验分析,还通过在更广泛的新数据集上验证了算法的鲁棒性能和域迁移性能。在Mini Image Net基准数据集上,对于5-shot 5-way小样本图像分类任务,本文算法的分类精度达到88.45%,对比最先进算法取得大约4%的提升。本文还分别测试了算法对于小样本细粒度图像分类任务及对于小样本遥感图像分类任务的分类精度和域迁移性能,同样取得了领域先进的性能表现。