近年来,随着深度学习研究与技术的迅猛发展,有标签分类任务在很多领域已经取得了巨大成功,例如在图像分类、目标检测、文本识别、语音识别、视频识别等领域。性能优异的分类模型的训练往往需要借助大量有标签数据来完成。然而,在一些领域,获取有标签数据是极其困难甚至不可能的任务,比如医疗影像、军工数据等。这种训练样本稀缺的机器学习场景就是小样本学习,其目标是在当前任务中仅使用有限数量的训练数据来训练得到性能优异的模型。模型无关的元学习（Model-Agnostic Meta-Learning,MAML）是最具代表性的基于优化的元学习算法。其目的是学习到一组模型初始化参数,使其应用在新任务时,可以仅通过少量步骤的微调,即可获得较好的性能。然而,作为一种归纳式元学习方法,MAML不能充分利用到查询集的数据信息,这限制了其潜在的性能提升。为了解决这一问题,研究了伪标签查询集数据对于基于优化的元学习方法的影响,提出了基于模型自身分类器伪标签标注的元学习方法,并在此基础上进一步提出了基于标签推理和自适应挑选的元学习方法（Label Propagation and Adaptive Picking,LPAP）,使得模型可以在未知任务中充分考虑查询集数据中的信息,以进一步提升模型的性能。具体来说,通过模型对查询集样本进行标签推理预测伪标签和自适应挑选,然后将挑选后的伪标签查询集样本与支持集数据一起用于模型的再训练。此外,提出的方法可以在元测试阶段使用查询集的伪标签数据对模型进行再训练,克服了很多直推式元学习方法的弱点。在有代表性的小样本数据集上,对提出的LPAP方法进行了大量的实验验证,并与现有的元学习方法进行了对比。实验结果表明,LPAP方法可以简单有效地应用在MAML及其变体上,体现出良好的通用性。且应用后的模型在小样本图像分类任务上的性能获得了显著提升,并超越了现有的基于MAML的元学习模型,与当前最先进的元学习方法相比,所提出的LPAP方法实现了极具竞争力的性能。