近年来,深度学习技术已经广泛应用在计算机视觉的各个领域,但它的成功仍依赖于大量带标签的数据,对于日常生活中一些只具有少量标注信息的情况,如医学领域疑难杂症的确诊、濒临灭绝的动植物的鉴定保护,深度学习仍旧面临着巨大挑战,基于此,如何解决小样本学习问题成为研究者们的又一关注重点。小样本学习顾名思义就是在拥有几个或几十个样本的情况下让分类器进行训练学习,使其获得良好的泛化性能,能够识别测试集中从未见过的新颖的图像类别。本文针对小样本学习中的图像分类问题展开研究,探讨如何应用元学习的思想提高模型泛化能力,让网络能够提取到任务相关的特征信息和拟合度更高的度量标准,从而实现准确高效的分类目的。具体来说本文的研究内容可概括如下:（1）基于元学习方法中的度量学习方法能够充分利用先验知识中的度量空间,将特征信息映射到一个嵌入空间中,从而让模型达到快速高效的对未见过的图像类别进行分类的效果,但在目前绝大多数度量方法中嵌入模块都具有泛化能力不足的缺点,同时其提取图像级表征如特征图或特征向量的方式会带来一些不可逆的信息损失。基于此,本文在关系网络的基础上提出自适应的局部嵌入网络,简称ALE-Net,该网络能够考虑不同分类任务的特征从而自适应的提取任务相关的信息,达到提升模型泛化能力的目的,确保其满足测试集中新出现的图像类别,其次引入局部描述子的思想,将关注点放在图像与类别之间的比较上,有效的消除类内差异和背景混淆问题。通过在两个小样本常用数据集上的实验验证了ALE-Net能够有效提升小样本学习图像分类的准确率。（2）现有度量方法中的度量模块普遍认为特征通道具有相同的重要性,但大量经验表明,在比较特征向量的相似性时,有些通道维度比其他维度更加重要。基于此,本文针对ALE-Net的度量模块进行改进,提出自适应的局部嵌入关系网络,简称ALER-Net,其中的通道选择度量网络能够自主学习到各个通道间的重要程度,从而达到提升有用特征抑制相对无效信息的目的。同时,对于小样本数据集中数据量少易出现过拟合现象的问题,提出改进的损失函数,在增强网络鲁棒性的同时达到提升网络抗干扰能力的目的。（3）通过在两个小样本常用数据集上的实验结果表明,改进后的网络对比于原关系网络在Omniglot数据集上的性能有所提升,在Mini Imagenet数据集的1-shot情况下准确率提升了2.7%,5-shot情况下提升了9.76%,通过在不同复杂度数据集上的实验验证了改进后网络的可靠性。