人工高昂的注释成本以及某些稀有类别数据的稀疏性限制了当前深度模型对于有效学习新视觉任务的适用性,而元学习基于先验知识,可以使用少量的标记示例使视觉系统推广到新颖的任务。为充分表达样本数据间的复杂交互关系,提高元学习模型的泛化能力,文中将从图中节点信息和边缘信息的角度对元学习模型进行实验与分析。在邻域内迭代地聚合图结构中的节点特征和边缘特征以获得节点间的相似性信息,基于该相似性信息的传播模块利用标签传播和自监督损失,提升了监督和半监督领域的元学习模型图像分类精度。本文的研究内容和主要成果包括:（1）在邻域聚合过程中加入自适应层使得每个节点能决定各自的聚合度,对边缘特征进行双随机归一化以利用丰富的图边缘信息。模型迭代地聚合节点特征与边缘特征后得到节点间的相似性,该参数表示了节点间的交互信息。（2）利用相似性信息在相似性传播模块中得到一组内插特征以获得更平滑的决策边界。该模块基于标签传播公式获得其嵌入信息,并且将自监督旋转损失添加至分类器中,实验表明该模型提升了分类性能。（3）借用转导学习方法,进一步提升了两个基准数据集上监督和半监督的元学习图像分类精度。此外,通过改变网络结构的部分参数分别进行了三组消融实验来验证聚类的效果。综上所述,本文旨在解决少量样本下的图像分类任务,将图结构信息应用于元学习中并为之制定有效的训练策略。文中的方法不但适用于转导和非转导推论,而且在监督和半监督学习中提升了分类性能。