深度学习取得了巨大的成就很大程度归功于庞大的数据资源,但是在许多领域中由于资金或隐私保护等原因限制,并不能获取大量的被标注数据样本。人类拥有从极少量样本中进行学习并能够快速泛化的能力,少样本学习（Few-Shot Learning,FSL）也试图通过对先验知识进行转化、归纳有限的信息,获得快速学习的能力。少样本学习已经逐渐成为当前的研究热点,在罕见病医学图像、稀有濒危物种保护等领域具有非常好的应用场景和价值潜力。度量学习是解决少样本学习问题的一种有效方法,本文基于度量学习的思想,针对当前少样本学习中存在的噪声信息影响大、泛化性能差、分类性能不佳等问题,继续对少样本图像分类学习进行探索研究,试图构建新的少样本学习模型解决以上问题,提高分类识别性能,并且能够在实际应用场景中进行运用。主要的创新和研究工作如下:（1）从改进特征提取的角度,提出了基于类特征注意力的少样本学习网络（Class Feature Attention Network,CFAN）。CFAN模型利用动态路由机制提取了多个样本的整体类特征,在度量模块中也引入了注意力模块,有助于寻找跨特征区域的远程依赖,更有针对性地比较了样本特征的相似度,削弱了无效信息的噪声影响。本文在基准数据集Omniglot和mini-Image Net上进行了一系列的相关实验,验证了改进模型CFAN的有效性并与其他先进模型进行了综合比较。（2）从改进度量的角度,提出了基于类特征的多尺度度量少样本学习网络（Class Feature Multi-Scale Metric Network,CFMMN）。CFMMN模型在度量模块中融合了多种度量准则替代了单一度量共同衡量特征间的匹配程度,旨在平衡各类度量函数的优劣,并且专门设计了带有间隔的损失函数进行优化训练,提升了模型的通用性。在Omniglot和mini-Image Net数据集上进行不同任务模式、不同度量方式实验的结果表明,CFMMN均取得了较好的效果,证明了该模型在类特征提取和度量方式上的改进是合理且有效的。（3）将CFAN和CFMMN网络模型运用于轮胎花纹识别匹配的实际应用上,通过现场压痕花纹与轮胎表面花纹匹配分析有助于办案人员确定肇事车辆信息,提高办案侦查效率,也通过实验结果进一步验证了CFAN和CFMMN模型在实际应用中有较好的表现效果。