元学习旨在充分利用少量的数据,学习出高效通用的知识,从而快速适应新任务。相比于传统深度学习,元学习降低了对大规模数据集的依赖,在一些难以获得大量数据的实际场景中具有较好的应用前景。目前元学习已取得许多卓越的研究成果,但在基于度量的元学习研究方向中仍然存在数据特征质量不高、度量方式不够适用、算法自适应性不强的问题。本文针对以上问题进行研究,具体创新点如下:（1）提出了特征自适应元学习算法,主要针对数据特征质量和算法自适应性两个问题。算法中提出了一个有效的特征偏移方法,通过对元学习任务中的未标记数据进行偏移操作来减小数据集之间的分布差异,提高特征质量。此外,算法中设计了一个特征调整方法,对于不同任务自适应地调整各个特征在分类决策中的权重,弱化无关信息造成的干扰,从而做出更准确的分类。（2）提出了自适应流形元学习算法,主要针对度量适用性和算法自适应性两个问题。算法创新性地将流形引入元学习中,使用流形结构来表示数据的高维特征,并在此基础上设计了一个自适应度量生成网络,根据不同任务自适应地生成适合于流形空间的度量参数,从而提高度量适用性和算法的泛化能力。此外,算法还通过特征划分与集成方法来缓解噪声特征导致的分类误判,使结果更具代表性。（3）提出了特征自适应流形元学习算法,对提出的三个问题进行优化。算法中设计了一个任务自适应特征调整方法,使各个样本结合当前任务环境,利用任务上下文信息增强自身特征的可区分性,提高特征质量与算法自适应能力。此外,算法使用流形上的近似测地线距离代替欧氏度量方式,并推导了学习过程中在流形上的梯度优化方式,从而能更准确地度量样本之间的距离,提高算法性能。本文在元学习数据集上进行的一系列实验证明了三个算法的先进性和有效性。