军事指标作为评价军事领域发展状况的重要标准,在评估军事发展现状和指导发展方向等方面具有重要作用。当前军事领域指标主要依靠专家通过对评价对象深入研究后提出,其构建过程给领域专家带来大量繁琐的工作并且效率不高,没有一个有力的辅助工具对专家构建军事指标提供支撑。因此,本文提出将历史积累的军事指标进行系统分类、有效组织,为构建新的军事指标体系提供参考,提升军事指标体系的构建效率,为领域专家提供有力辅助。本文针对军事指标专业性强、难以进行大批量手工分类、具有多标签特性以及军事指标和指标类别动态变化的特点,提出利用元学习的方法进行军事指标分类任务的研究工作,通过少量样本训练实现军事指标快速、灵活、可扩展的自动化分类,将分布散乱、无序、复杂的军事指标进行整合、分类,为军事领域的评价工作提供支撑。主要研究内容和创新点如下:（1）设计了基于元学习的军事指标分类框架。针对军事指标分类的任务特点,创新性地将元学习方法应用于军事指标分类任务中,设计基于元学习的军事指标分类框架,依靠少量样本训练完成军事指标分类任务,为军事指标的构建和进一步研究提供有力的辅助和基础框架。在元学习模型的实现上,本文采用元学习方法中的原型网络算法作为分类框架的基础算法,并利用MAML优化算法对其进行优化,在模型训练中采用双层梯度下降的方式提升模型的泛化性能,通过距离度量实现分类。在此基础上,为元学习模型增加了两个存储单元,增强元学习模型的实用性和运算效率。（2）提出了引入类别信息的元学习模型。针对指标名称语义信息有限,难以表征指标类别的问题,创新性地将类别信息作为补充信息,引入元学习模型,设计后置类别信息优化策略和前置类别信息优化策略对以原型网络为基础的元学习分类模型进行优化,校准模型中的参数和类别原型,进一步提升分类性能。在后置类别信息优化策略中,本文将类别信息向量化后投影到特征空间中,对根据训练数据生成的类别原型进行校准;在前置类别信息优化策略中,本文将类别信息作为一条特殊的指标,在双层梯度下降的基础上增加一次梯度下降,为各个类别训练适用于该类别分类的参数,提升类别参数的表达能力,尽可能使特征空间中的类别原型位于类别中心。通过实验证明,两种优化策略相较于未采用优化策略的算法具有更加优异的性能。（3）提出了基于标签排除的多标签分类方法。利用类别原型之间的距离和类别与指标样本之间的距离对样本的标签分布进行筛选,并将距离度量转化为概率分布,利用指标样本的类别分布概率确定军事指标样本的多标签分布。通过实验证明了基于标签排除的多标签分类策略在军事指标的多标签分类任务上的优越性。综上所述,本文针对军事指标分类的特点,设计构建了基于元学习的军事指标分类框架,在分类框架的基础上对元学习模型进行优化改进,提出引入类别信息的元学习模型和基于标签排除的多标签分类方法,以较高的精度实现了军事指标的多标签分类,能够为军事指标的构建提供有力的辅助,对军事指标领域的研究和发展具有理论意义和实际意义。