最近几年,深度学习在图像识别、语音识别和自然语言处理等领域取得巨大成功。深度学习模型所取得的这些成就往往都依赖于大规模的训练数据,然而构建大规模数据集不仅成本高昂,而且在诸如医学领域等某些细分场景下甚至是不可行的。因此,利用少量样本去进行模型学习的小样本学习逐渐被研究人员关注,成为近期人工智能领域的研究热点。小样本图像识别技术旨在从包含较多训练样本图像数据的基类中迁移有用的知识来帮助模型识别带标签样本图像数据极为匮乏的目标新类别。目前小样本图像识别的主流方法在训练类别上表现良好,但在小样本新类上表现较差,缺乏足够的泛化能力。同时,小样本图像识别模型存在深度学习模型固有的缺乏解释性的问题。因此,本文针对以上小样本图像识别中存在的两个问题提出了以下两个模型,并在实际应用场景中验证了其效果:（1）提出了一种基于类别语义相似性的小样本图像识别方法。采用词嵌入模型学习得到图像数据集中每个类别英文名称的词嵌入向量,利用类别词嵌入向量之间的余弦距离表示类别语义相似度。通过把类别之间的语义相关性作为语义先验知识进行整合,在模型训练阶段引入类别之间的语义相似性建立基类和新类之间的联系,去训练一个更具泛化能力的特征表示。本文在小样本图像识别基准数据集mini Imagenet和tiere Imagenet上进行了大量的实验,实验结果表明提出的方法相对基线模型拥有更高的识别准确率和更强的特征表示泛化能力。（2）提出了一种融合属性类别关系的小样本图像识别方法。融入样本数据的属性标签作为语义先验建立基类与新类之间的关系,同时采用多分支网络架构让模型能够同时对图像的类别标签和属性标签进行学习。模型对属性分支网络获得的属性预测结果进行加权,然后与主干网络的全局特征进行拼接获得融合属性类别关系的特征表示,最后使用融合的特征表示对图像样本进行分类获得预测结果。本文在小样本图像识别基准数据集CUB-200-2011和AWA上进行了大量的实验,实验结果表明提出的方法在增强了模型泛化能力的同时也提高了模型的可解释性。（3）伴面容遗传综合征识别应用。本文构建了一个现实环境下的小样本图像数据集,在伴面容遗传综合征识别这一实际应用场景中验证了提出方法的有效性。同时,本文还构建了一个伴面容遗传综合征-面部异常表型知识图谱,通过语义先验可视化的方法使模型输出结果在实际应用场景中更加直观。