随着深度学习的不断发展,基于深度学习的算法在多个视觉任务上如图像分类、目标检测等都得到了飞速的发展,精度得到了大幅的提升。然而深度神经网络的成功依赖大量有标签的数据进行训练,在许多实际应用场景中收集大量有标签的数据是非常昂贵、甚至不可能的,如医疗数据、军事数据等。若直接采用常见的深度学习模型进行学习,则容易导致模型的过拟合。因此,如何利用少量标签数据实现对任务的学习,即小样本学习,已成为目前深度学习的一个热点及难点。目前针对小样本学习的研究主要集中于图像分类任务中,而面对小样本下的目标检测任务研究较少。目前基于深度学习的小样本目标检测算法均需在大量训练数据上进行训练,以学习任务间的共性知识,然后将这些共性知识应用于小样本目标任务中。然而这种学习方式无法保证大量训练数据与小样本目标数据有相同的数据分布。因此本文首先对特征向量重分布算法进行研究,以解决数据分布不一致的问题,并将其应用于小样本图像分类任务进行验证。最后针对小样本目标检测任务提出一种结合特征向量重分布的基于迁移学习的二阶段目标检测算法。主要研究内容及贡献如下:（1）现有小样本目标检测算法均在大量数据上进行训练,然后在小样本下进行测试,但却无法保证训练数据与测试数据有相同的数据分布。针对上述问题,本文提出了一种基于特征向量重分布的相似性度量算法,并将其应用于小样本图像分类任务进行验证。算法首先将特征向量分布变为一个高斯分布或类高斯分布进行后续的处理;为了更好的衡量具有相同分布或相似分布向量间的距离,本文其次提出基于相关系数初始化的Sinkhorn距离的度量算法。本文算法在5-shot 5-way任务上对Cifar数据集、CUB数据集、mini Iamge Net数据集的精度较之现有最好算法分别提高了1.15%,2.38%和1.98%,这有效证明了本文提出算法的有效性。（2）目标检测的基本构成包括特征提取、候选区域提取、候选区域分类及候选区域回归四个模块;针对小样本目标检测任务,本文提出一个基本假设:特征提取模块和候选区域提取模块的性能与待检测目标的具体类别无关,而与训练样本数有较大的相关性。同时为了将本文提出的小样本图像分类算法应用于目标检测任务中,本文提出了融合特征向量重分布的基于迁移学习的二阶段小样本目标检测算法。算法首先将本文提出的基于特征向量重分布的小样本图像分类算法代替传统目标检测框架中的候选区域分类模块,作为小样本目标检测网络的基本框架。其次在大量基类训练数据下对网络进行第一阶段训练,以得到一个泛化能力较强的特征提取模块和候选区域提取模块。最后在小样本下对网络进行第二阶段微调训练。由于在第二阶段微调时不仅使用了新类别的数据,也使用了基类类别的数据,因此该算法在保证对新类别检测精度的同时对基类类别仍保持着较高的检测精度。本文算法在可见光VOC数据集三种不同划分下5-shot任务上对新类别的检测精度较之现有最优算法分别提高了3.47%,0.36%和4.88%,在VOTIR红外数据集上5-shot任务上可达98.53%,大量实验证明了本文提出算法的有效性。