少样本图像分类的目的是在可用数据稀缺的情况下,依据有限的数据量实现图像的分类识别。基于元学习的少样本分类方法的核心思想是利用相似的足够的学习任务,来达到使学习网络适应只有少数标签标记数据的新任务。基于图神经网络的元学习少样本分类方法通过在非欧式空间进行信息处理进一步提升了少样本分类精度。近年来以元学习为基础的少样本分类方法逐渐成为热门问题。本文以此为基础开展的研究内容和创新如下:（1）为了缓解传统深度神经网络在数据量很少的情况下容易产生过拟合的问题,本文以元学习的方法为基础结合注意力机制,提出一种联合注意力元迁移学习（union attention dense-in-residual meta-transfer learning,UADR-MTL）少样本分类方法。UADR-MTL使用注意力机制显式地对卷积特征的内部和通道之间的相互依赖性进行建模提高特征提取能力,使用迁移学习的方法避免经典元学习方法只能使用浅层特征提取网络的问题。实验表明该方法可以在一定程度上提高分类准确率以及模型的泛化性。（2）为了进一步提高分类性能突显样本之间的特异性和关联性,我们使用图神经网络来将样本映射到非欧几里得空间并获取特征信息,通过元学习任务进行迭代更新特征信息。本文提出了基于图衍生图神经网络（graph-derived graph network,GDGN）的少样本分类方法。该方法构建了样本图网络（sample graph,SG）和衍生图网络（derivatization graph,DG）。衍生图网络由样本图网络生成并用于更新样本图网络。在多个少样本数据集上实验表明,该方法在少样本数据量图像分类场景下可以达到高性能的分类效果。