小样本图像分类是计算机视觉领域的一项重要任务,现实生活多数应用场景都存在样本数据量较少的问题,使该领域受到国内外学者广泛关注。本文基于胶囊网络模型,针对不带噪声相对复杂的小样本数据集提出融合胶囊网络与Darknet的分类模型,针对带噪声的复杂小样本数据集的分类提出融合胶囊网络与深度残差收缩网络的模型,并通过实验验证了所提融合模型的有效性。本文具体工作如下:（1）针对相对复杂的小样本数据集的分类问题,提出一种将双线性Darknet融入到胶囊网络的分类模型。首先将Darknet改进为双线性结构,深层特征提取器采用3*3的卷积核,提取图像的深层细节特征,浅层特征提取器采用5*5的卷积核,捕捉图像长距离的边缘特征,通过深层特征提取器与浅层特征提取器同时提取图像的深层与浅层特征进行融合,以增加图像的关键特征;其次通过胶囊单元将特征表征为向量,增加关键特征的空间信息,且通过低层胶囊定向激活高层胶囊进行特征传递,避免特征传递过程中造成有效信息丢失;最后在胶囊网络的损失函数中加入网络各层权重的L2正则化项,使网络权重值更加平滑,防止某一特征权重过大产生过拟合的问题。实验表明,在不带噪声相对复杂的小样本数据集的分类任务中,融合模型的分类准确率明显高于Res Net、Xception等卷积神经网络与胶囊网络,模型分类准确率获得明显地提升。（2）针对带噪声的复杂小样本数据集的分类问题,提出一种将深度残差收缩网络进行改进融入到胶囊网络的分类模型。首先将深度残差收缩网络改进为双线性结构,同时取消浅层特征提取器的残差连接,避免在浅层特征中引入图像噪声,且通过残差收缩模块对深层与浅层特征各通道的噪声进行了有效的剔除,减少了特征的冗余信息;接着将深层特征与浅层特征进行融合,增加了图像的关键特征;再通过胶囊单元增加关键特征的空间信息,同时避免特征传递过程中的信息丢失;最后采用Focal Loss作为模型的损失函数,以解决部分类别难以区分的问题,有效提升模型的分类准确率。实验结果表明,在带噪声的小样本生活垃圾图像分类任务中,融合后的模型分类准确率获得了一定程度地提升。