巡检无人机成本低廉,智能化程度高,可对输电线路进行快速且安全的巡检工作,具有广阔应用前景,是当前电力巡检领域的热点研究项目。然而,电力巡检中类别繁杂,难以为每个类别都收集到足够的训练样本,且为训练样本人工标注的代价过于高昂。小样本分类算法适合于解决此类给定了丰富基础类别的训练样例,却缺乏新类标记实例的情况。但针对电力巡检这一具体的业务场景,仍缺乏相应研究。因此,需要进一步研究小样本分类算法,理清其原理、明确其数据基础,以期能将其成功应用于智能电力巡检系统。本文在经典分类神经网络模型的基础上进行了两个方法改进:增加了基于注意力机制的小样本分类权重发生器;将卷积神经网络模型的分类器更改为测试样本特征向量与类向量之间的余弦相似性函数。该方法在保留了其它小样本分类方法能较好地减少类内方差这一优点的基础上,对于较高域差异的训练集也体现了较好的自适应能力。综上所述,本文首先总结了近年来小样本学习方法的进展与成果,并阐述各算法的特点、主要针对的问题,比较分析了几种典型的小样本学习方法,包括匹配网络、原型网络、关系网络以及模型无关元学习方法。其次,设计了一个一致性的实验方案,减少因各小样本算法复杂的算法结构以及差异化的训练细节而导致的性能差异,并以此定量分析了各算法实际性能。此后探讨了小样本学习方法的训练目标,证明了更深的骨干网络显著降低了各方法之间的性能差异,并通过实验发现类内方差是造成小样本学习性能差异的主要因素之一。最后,实验结果还表明随着域差异增大,增强对于少数新类实例的自适应能力将比减少类内方差更能提高算法的准确率,该结果也对电力巡检领域数据集的制备工作提供了参考。