小样本学习期望构建一个仅训练少量带标签样本即可完成相应任务的网络模型,从而避免一般深度学习算法的大量数据收集与标记问题。细粒度图像分类意为对图像进行子类细分,由于其类内差异大而类间差异小的特点,采用传统强监督抑或弱监督的深度学习算法均成本高昂且效果不理想。而小样本学习算法无需大量样本与额外标注信息,能够在细粒度图像样本数量极少情况下,达到可观的分类性能。本文的主要工作内容如下:深入研究了现有基于度量的小样本学习算法,指出其特征表示绝大部分基于单一尺度故无法获取丰富特征;而在关系度量时往往采用余弦距离或平方欧式距离,导致算法对位置变化敏感。为有效解决上述问题,本文提出了尺度和平移不变的度量学习改进算法,通过新的尺度不变局部特征提取模块,获得兼具高分辨率与丰富语义信息的局部描述子,实现尺度不变性;通过新的平移不变度量模块,采用皮尔逊相关系数作为度量函数,实现平移不变性。当前大部分小样本学习算法在距离度量过程中未考虑样本分布的非线性情况,导致仅在原有数据空间度量难以精准分类的问题。本文在尺度和平移不变的度量学习改进算法基础上,引入非线性度量克服该问题,提出了两种尺度和平移不变的非线性度量学习算法:尺度和平移不变的非线性投影改进算法,和基于高斯核函数的内积度量改进算法。这两种算法可以更进一步提升算法分类准确率,具备更大的性能优势。最终,本文在3个细粒度图像标准数据集与1个自建数据集上进行实验,在5-way 1-shot和5-way 5-shot任务中,与其它现有小样本学习算法相比,本文提出的算法均使得分类准确率得到有效提升。同时,本文也针对所提出算法的各模块分段设计实验,验证了各模块的有效性及其各自对性能提升的贡献,并设计实验得到了算法有关参数的最佳设置。