近年来,基于深度学习的图像分类方法取得了快速的发展。深度学习以大量高质量标注数据为基础来训练模型。然而,在现实生活中,收集并标注大规模的数据集需要消耗大量的人力物力,这限制了此类方法的进一步发展与应用。为克服深度学习模型对海量数据的依赖,实现模型的快速泛化,研究者提出少样本图像分类的概念,旨在使模型从少量标注样本中学会识别新类别。本文以度量学习为基础,分别从提升类别原型的表达能力和样本特征的可辨别性等角度为解决少样本图像分类问题提出方案。现有的度量学习方法大多关注于将样本嵌入到不同类型的度量空间中而较少关注少样本这一特殊场景下的特殊问题。当类别仅包含少数样本时,不同样本对所属类别的表达能力差异较大,更具代表性的样本应对分类产生更大的影响。为此,本文以原型网络为基准并在其基础上增加样本权重分配模型,使更具代表性的样本获得更大权重,从而提高类别原型表达的精确性。另外,在某一特定的度量空间内,增大样本类间距离、减小类内距离将有利于提高模型的分类性能。基于此,本文引入辅助信息来约束类别原型的构造,引导模型增大类间距离而减小类内距离。在卷积神经网络中,不同深度层的特征图具有不同的稀疏性,对类别表征能力也不同。浅层特征图较为密集,类别间通用性较大,深层特征图较为稀疏,更能反映类别间的差异信息。本文假设在同一层网络的不同通道的特征图中,较为稀疏的特征图更能反映该类别的本质特征,这些特征图应该被赋予更大的权重。因此,本文探索了一种无参数的通道自注意力方法,该方法将卷积神经网络中更加稀疏的通道赋予更大的权重,从而使提取到的样本特征更具有判别性。同时,在少样本图像分类任务中,充分挖掘易获取样本中的信息对促进模型分类有重要意义。为此,本文提出“空间原型“的概念并在此基础上利用自编码器模型对类别原型进行校正,从而提高类别原型的精确性。本文在两个主流少样本图像分类数据集的三种分类场景下对所提方法进行验证,实验结果说明本文所提方法能有效提升基准模型的分类性能。同时,本文设计实验对所提方法的各个模块做详细分析并探索了部分模块的内在作用机制。