中国陕西省南部地区具有丰富的寒武纪早中期（535百万年前）宽川铺组微体化石,盛产四方塔型壳、早期动物胚胎、原牙形刺等各类微体化石,有助于探寻寒武纪时期动物的起源以及大爆发的成因,是十分重要的研究方向。但是早期的研究人员因技术手段的限制主要依靠人工显微镜筛选的方法寻找微体化石。微体化石数量庞杂,但因为具有研究价值样本稀少,人工手段存在误差,并发现效率低下,极大影响了寒武纪早期生命进展。基于上述研究背景,本文通过建立陕南宽川铺组微体化石图像数据集,针对微体化石小样本分类识别问题,提出了机器学习和深度残差网络的解决方案,其研究如下:（1）针对微体化石目前可用高质量公开数据集缺乏这一现象,将采集来的陕南宽川铺微体化石样本,通过酸泡,拍摄,分类等过程,建立包含宽川球、西乡塔、牙形刺等9类共计4507张微体化石图像数据集。（2）基于机器学习方向梯度直方图、Gabor变换方法识别小样本微体化石。针对化石数据量不足的问题,采用显微图像数据扩充、CT图像多角度投影两种数据扩充方法。显微图像扩充后的微体化石平均识别率达到93%。在极少样本情况下,CT图像多角度投影的微体化石图像相比较微体化石显微图像数据,识别率提升了40%以上。（3）基于迁移学习与Res Net残差网络相结合的微体化石小样本图像识别方法,该方法以34层深度残差网络为训练模型,采用基于模型的迁移方法,冻结低层参数,重新训练中上层网络参数,构建出了微体化石图像识别模型,使用Tr Ada Boosting算法作为微体化石模型参数优化方法。共设计了15组不同的实验。实验表明,本文提出的深度残差网络化石识别模型准确率达到了96.7%,优于支持向量机、随机森林。并且针对小样本（1-shot）图像识别率70.5%,优于传统机器学习方法、VGG、Goog Le Net。本文提出的方法针对陕南宽川铺微体化石识别率均高于95%,在单样本情况下也达到了70.5%,达到了本文研究目标,具有一定的研究意义。