从有限的示例中尽快适应新的类别,即小样本学习所面临的重要挑战。一类有效的模型为基于度量学习的框架,该类框架倾向于学习查询样本与支持样本间的相似性判别,从而有效地实现小样本目标分类。但现有方法仍存在一些可改进之处:比如对特征价值大小的区分以及在求取类表征时对每个样本的重要程度区分往往不够重视;其次,现有技术常依赖于特征提取主干网末层获取的特征来判别相似性,并未考虑到可将多个层次获得的特征适当利用;此外,此类方法通常在固定不变的特征空间中进行单向的相似性判别,很少将每个任务的特殊性及相似性度量方法的选择考虑在内,这也会对分类性能产生重要影响。针对上述问题,本文分别提出了三种小样本目标分类框架,具体为基于多注意力融合和加权类表征的方法、基于多级特征表示和多层次融合对比的方法以及基于双重投影网络的方法,而且三者在类别上同为基于度量学习的框架,也都引入了注意力机制,但针对的主要问题又有所不同,因此更接近于并行的关系。本文的主要研究工作如下:（1）在基于多注意力融合和加权类表征的框架中,首先,将一种多注意力融合单元引入模型的特征嵌入网络中,旨在突出特征的有价值部分,减少无关内容干扰。然后,在求取类的代表特征时,对该类别的每个支持集样本都赋予相应的权重,利用加权类表征来进行样本类别的展现,使其更具类别代表性。此外,在度量环节中使用一种互相似性度量的方法,旨在通过双向的信息融合来获得更加准确的相似性判别关系。最后,通过在mini Image Net和Stanford Dogs上的一系列实验来表明该部分思路的可行性。（2）在基于多级特征表示和多层次融合对比的框架中,首先,在模型提取样本特征时,引入多级特征表示,使其利用特征提取主干网多个层次上获取到的特征信息,进行信息的融合,并使用这些信息进行后续的相似性度量。然后,在训练模型时,同样利用主干网多个层次上提取到的特征,引入多层次融合对比损失。此外,还在特征提取过程中引入一个通道级别的注意力单元,目的是使模型获取到更具区分性的信息。最后,通过在mini Image Net和tiered Image Net上的一系列实验来表明该方法的有效性。（3）在基于双重投影网络的框架中,首先在模型中引入一个并行注意力单元,利用多注意力融合来突出特征的关键区域、压缩无关区域。同时,设计任务相关的投影子空间,增加模型的跨任务泛化性能和任务相关性。然后,将互相似性度量方法引入到子空间中来得到更加可靠的度量关系。此外,结合情景训练机制,模型具有端到端的学习能力。最后,通过在mini Image Net、tiered Image Net以及CUB上的一系列实验来研究该方法的性能表现。综上所述,本文旨在解决现有的基于度量学习的小样本目标分类框架所存在的一些问题,并从几种不同的角度出发,来对所关注的问题进行改善。同时,在一些基准数据集上的一系列研究中,也验证并表明了本文所研究的三个框架在小样本目标分类上的有效性。