深度学习方法的出现为模式分类问题提供了良好的解决方案,前提是该问题必须能够给模型提供海量的训练数据。但是也存在很多实际问题,例如在计算机视觉中的某些研究领域标注样本的获取困难重重,而缺少样本的深度学习方法就可能发生过拟合等现象。因此如何在缺乏样本的情况下还能利用深度学习模型解决该问题,并达到理想的效果是非常关键的,即少样本问题的研究具有重要意义。本文以少样本学习中的图像分类问题为重点进行研究。具体研究内容如下:（1）为解决度量学习方法极易受到特征网络和度量方式限制的问题,本文提出了特征网络Res-CBAMnet和基于马氏距离的原型网络。度量学习算法中的原型网络模型主要由特征提取器和分类器两部分构成,根据少样本问题建模方法,可以将两部分分别进行建模研究。首先,在特征提取阶段,考虑每个任务中训练样本少而导致特征表达能力不足的问题,因此选择相对不太容易产生过拟合问题的残差网络Resnetl8为基础,并结合卷积注意力模块,设计特征提取器Res-CBAMnet,使网络能够更好的关注重要特征,提高特征表达能力。其次在原型网络的基础上,尝试改进不同的度量方式,通过实验对比不同度量距离对准确率的影响。最后将上述设计的网络模型在多个公开数据集上进行实验,其中在mini-imagenet数据集上的准确率较其它前沿方法提高了 4%～6%。通过实验结果表明,该网络的设计对解决少样本问题是有效的。（2）深度学习算法模型极易受到攻击样本的影响,使模型效果迅速退化,元学习算法作为深度学习算法的一种,同样存在此问题的困扰。Res-CBAMnet和原型网络已经取得了不错的效果,因此在基础上加入对抗元学习算法,设计了对抗元原型网络。采用元梯度下降的思想对模型参数进行学习,整个过程包括内循环和外循环。在内循环中,首先对每批任务中的任一任务抽取到的样本都通过快速梯度符号法生成对抗性样本,利用Res-CBAMnet特征网络完成特征提取部分,然后用学习器进行分类,计算损失并通过计算梯度来最小化损失,更新梯度来找到原始样本任务的最优参数,并利用前面生成的对抗样本构成对抗样本集,重复原始样本集的方法,也找到对抗样本任务的最优参数。在外循环中,以同样的方法生成原始样本测试集和对抗样本测试集,然后分别计算原始样本和对抗样本初始化元梯度,最后使用两个元梯度,更新随机初始化的模型参数。在多个数据集上进行有对抗样本和无对抗样本实验,其中在mini-imagenet数据集上的无对抗样本实验,比MAML提高了 6%左右,且在对抗样本干扰下仅下降3.9%,而MAML下降7.49%。实验结果表明该算法对于没有对抗样本干扰的情况同样有效,当有对抗样本时模型更稳健,鲁棒性更强。（3）随着互联网的普及电商领域迅速发展,给人们的生活带来极大的便利。但是电商领域商品繁多,产品更新迭代速度快,实际中有大量的商品需要进行图像采集并标注,耗费巨大的人力物力。因此本文将设计的Res-CBAMnet网络和对抗元学习网络应用于少样本商品分类,在RPC数据集上取得不错的效果。