近年来少样本学习受到了很多关注,它旨在从少量有标签训练数据中实现快速学习和泛化。少样本图像分类作为少样本学习的主要分支,它的目标是在每个类只提供单个或几个训练样本（支持样本）时学习一个分类器以识别测试样本（查询样本）的类别。在少样本学习中应用元学习的思想可以帮助模型在相同类型任务之间迁移有用的元知识,一定程度上减轻样本量少带来的问题。但是少量样本带来的信息十分有限仍不足以充分表示一个类别。在元学习思想的基础上,有少样本图像分类方法利用了文本数据和无标签图像数据作为辅助数据提升分类性能。本文针对以上两种数据辅助下的少样本图像分类任务分别提出:对齐模态下的各向异性组合方法、异常点暴露下的自适应学习向量量化方法。论文的主要研究内容如下:1)最近,研究学者在少样本图像分类任务中引入了相应的类别标签文本嵌入。其中类别标签的嵌入由在大型语料库中训练后的词嵌入网络提取,不同类别文本嵌入之间的距离体现了不同类别之间的语义关系。因此,如何利用文本域内的结构信息使类原型更具可区分性成为一个要点。此外,由于查询数据都来自视觉空间,因此保持类原型在视觉域更有利于分类。基于元学习思想,本文提出对齐模态下的各向异性组合方法。通过各向异性组合文本域和视觉域的信息优化类原型,同时添加文本对齐和视觉对齐,使得最终学到的类原型在利用文本域结构信息的同时仍保持在视觉域,以实现对查询图像数据更好的分类。在episodic训练机制下,本文为每一个少样本图像分类任务引入类别标签文本的嵌入向量,在这些任务上学习如何利用词嵌入向量优化类原型的元知识。实验表明,相比其它利用文本数据的方法,本文通过添加合适的文本对齐和视觉对齐约束,可达到更高的分类准确率（65.21%→66.60%）。在1-shot且支持样本不清晰（背景复杂或含有多个对象）的少样本图像分类任务上,实现了更好的效果。2)在少样本图像分类任务中引入的无标签图像数据可分为两种情况,一种是所有的数据都来自于与支持集相同的类别集,另一种是更具挑战性的情况,存在一部分无标签图像数据来自于干扰类别（与支持集不同的类别）。而人们不仅可以从一般的无标签数据中获取信息,也可以从完全来自干扰类别的无标签数据（无标签异常数据）中获取信息以更好地学习一个新的概念。在这一现象的启发下,本文将在纯粹的无标签异常图像数据的辅助下提升少样本图像分类性能。基于元学习思想,本文提出异常点暴露下的自适应学习向量量化方法。通过自适应的学习向量量化方法利用无标签异常图像优化类原型;同时添加异常点暴露约束,利用无标签异常数据的分布信息,进一步优化特征嵌入网络。在episodic训练机制下,本文为每一个少样本图像分类任务引入无标签异常图像数据辅助,在这些任务上学习如何利用无标签异常数据优化类原型的元知识。实验表明,在只提供少量无标签异常数据的情况下,少样本图像分类的准确率即可得到提升（52.08%→53.36%）。