图像分类相关的深度学习算法利用大量已标注的图片训练深度网络模型,通过不断的优化模型参数使得模型更好的预测未知图片类别。但对于某些样本数据难以获取以及需要耗费大成本才能完成图片标注工作的场景,传统的图像分类算法并不适用。因此研究在小样本情景下训练深度模型的方法,有助于降低研究成本,扩展深度学习应用场景。为了提高小样本图像分类准确率,本文利用小样本学习任务式训练模式,学习训练数据中不同任务结构来调整样本特征,并优化求解图片类别原型方法,从而提高图像分类准确率。主要研究内容如下:（1）针对传统小样本学习图像分类中忽略了分类任务中数据的相关联性的问题,提出任务相关模型算法,进一步挖掘小样本学习任务信息。模型通过学习每个训练任务中数据之间的关系,生成与样本特征向量长度相同的掩码去调整数据特征,从而更好地适应不同的分类任务,在测试新类数据时也可利用该模块更好的适应分类任务,提高泛化性。在Mini Image Net数据集上对模型进行实验验证,证实了该方法的有效性。（2）针对原型网络提出的简单的平均思想求解原型的不足,提出原型修正模块算法。该模块包括两个策略方案。首先,由于不同的样本对于原型的贡献是不相同的,提出样本权重概念,通过不同的权重值对样本进行区分。权重网络的输入为小样本学习任务中的支持集,输出为每个样本的权重值,然后使用加权求和的方式得到原型。其次,引入无标签数据对支持集数据进行增强,利用合适策略不断筛选查询集样本,然后合并到支持集中,从而在数据样本上增强原型求解的可信度。通过实验验证了该模块对图像分类具有促进作用,同时将该模块与任务相关模块进行组合,实验证明组合后的效果进一步加强。