随着深度学习的不断发展,图像分类和目标检测技术成为最热门的研究方向之一。在深度学习的帮助下,图像分类和目标检测取得了突破性的进展,并在诸多领域有着广泛的应用,如人脸识别、自动驾驶等领域。基于深度学习的技术需要大量数据进行监督学习训练。但是由于一些实际应用中的局限性和特殊性,难以获得足够的图像样本。因此本文主要围绕小样本图像分类和目标检测进行研究。主要内容和贡献如下:1、在样本资源受限的条件下,针对小样本图像分类难题,深入研究元学习的训练机理,对基于图神经网络的EGNN算法进行了改进优化,设计了一种任务适应特征提取模型进行查询图像的特征提取,通过利用支持图像特征学习预测一组参数作用于查询图像特征图,调整查询图像不同特征的贡献,使其更能适应小样本的分类任务。同时在原网络上引入原型节点表示和特征融合度量模块,分别用于降低图节点规模和提升分类准确率。实验表明,在mini Image Net数据集上改进算法的分类精度在5-way 1-shot和5-way 5-shot任务上分别提升2.8%和3.4%。在tiered Image Net数据集上的分类精度在5-way 1-shot和5-way 5-shot任务上分别提升3.4%和2.6%。2、针对小样本目标检测难题,结合两阶段目标检测算法,本文提出了基于Faster R-CNN的小样本目标检测算法AM-FSOD。不同于Faster R-CNN每次输入单张图像进行检测,AM-FSOD同时输入查询图像和少量支持图像,然后通过在查询图像分支和支持图像分支引入FPN网络和双注意力机制,进而激励查询图像生成更加精准的候选框。同时引入加权原型网络替换原来的分类器头,使其适应小样本下的候选框分类,并结合FPN生成多尺度原型向量,提高候选框分类准确率。在PASCAL VOC数据集和MS COCO数据集上的实验表明,本文算法AM-FSOD具有良好的检测精度。3、针对无人机平台图像识别要求对各种样本资源受限下的快速识别难题,本文依据AM-FSOD算法搭建了小样本目标快速识别系统,用于无人机平台对地面小样本目标进行快速检测识别。在PC端和NX板卡上分别设计实现了地面端系统和嵌入式软件系统。NX嵌入系统基于输入的图像实现小样本目标检测识别。地面软件系统主要完成视频输入、支持图像选择、算法运行测试和结果显示输出功能。