随着遥感技术的快速发展,人们对遥感图像数据进行准确分类的实际需求显著增加。遥感图像分类作为遥感领域的热点应用研究方向,广泛应用于灾害监测、资源规划等领域。传统的机器学习分类算法难以处理遥感图像丰富的空间语义特征,导致其分类精度不高。同时,由于遥感图像繁琐的标注处理工序,研究人员较难获得大规模的标注遥感图像数据集。而常规的深度学习算法离不开标注数据的驱动,导致其无法适用于小样本条件下的遥感图像分类。因此本文以小样本遥感图像分类为研究对象,研究如何通过元学习从小样本遥感图像数据中训练出能够快速学习和泛化的分类模型。本文的主要内容如下:（1）针对基于度量学习的小样本遥感图像分类方法所提取的特征判别力不足的问题,提出多尺度注意力度量网络模型。首先,该模型通过精心挑选的主干网络来提取遥感场景对象的特征。为了增强模型的表征学习能力,将全局注意机制和局部注意机制集成到主干网络的一个模块中。这样不仅可以引导神经网络从多个角度提取判别特征,还可以提高模型的效率。然后,利用结合了全局注意力机制和局部注意力机制的注意参考机制来改进度量函数的相似性度量能力。最后,本文在三个公开的遥感场景数据集上进行了多种小样本环境的对比实验,验证了本文提出的方案的有效性。（2）针对基于图神经网络的小样本遥感图分类方法在小样本条件下难以找到输入样本的最优嵌入空间的问题,提出了一种基于图的嵌入平滑网络模型。首先,该模型通过非参数化嵌入平滑策略对嵌入空间进行正则化。嵌入平滑可以约束嵌入特征,使嵌入学习模块能够提取出更具判别性和鲁棒性的场景嵌入特征,以应对复杂多变的现实场景。其次,模型采用了注意力机制来捕获任务级关系表示。考虑到整个任务中所有样本的嵌入特征,所提出的方法可以获得结点之间的任务级关系表示来构造图。最后,本文在三个遥感场景数据集上进行了多种小样本环境的对比实验,证明了所提出模型的优越性。