卷积神经网络在图像识别领域取得了巨大的成功,但其训练过程通常需要海量的带标注样本。然而,收集大量标注样本的成本十分昂贵,尤其是在稀有物种识别或医疗影像诊断等场景中。因此,小样本图像分类已成为深度学习发展中十分重要的研究课题。为了缓解标注样本不足导致的模型过拟合现象,现有方法大部分利用结构简单的人工卷积神经网络来提取图像特征。然而,这些网络只包含标准卷积操作,参数量多,模型复杂度高,特征表达能力不足,难以提取全面的高层语义特征,影响小样本分类效果。可微分架构搜索（Differentiable Architecture Search,DARTS）是神经架构搜索的主流实现方法之一,能够基于梯度的优化方法高效地自动学习适用于目标任务并且迁移学习能力强的网络结构。本文旨在对DARTS的搜索流程进行改进,利用架构搜索的方式构建复杂度低且特征提取能力强的模型来提升小样本分类效果。本文从两个方面设计了搜索流程。在搜索空间中,本文引入了参数量少的空间可分离卷积来替代Zero操作,从而让每个节点有足够多的输入来保证节点间的信息交互,并在卷积操作中加入了分组的思想来进一步降低模型的复杂度。在搜索策略上,提出了基于Drop Block的搜索空间正则化方法来解决skip-connect操作富集问题,并提出了基于池化操作的早停策略来降低搜索时间。通过在小样本图像数据集CUB上的端到端搜索,最终得到了一个性能优异的小样本图像分类模型FSLNet。在FSLNet模型基础上,本文提出了多种有效的改进措施来进一步提升小样本分类性能。首先,考虑到常规卷积神经网络跨域泛化能力的不足,在模型中引入了IN与BN联合的标准化方法。然后,为进一步增强模型对图像中有效特征的表达能力,提出了一种局部和全局特征融合的空间金字塔自注意力机制（Spatial Pyramid Self-Attention Mechanism,SP-SAM）,得到了一个性能更加优越的FSLNet Plus模型。最后,针对标注样本不足导致的过拟合问题,引入了自动化数据增强正则化方法。实验结果表明,FSLNet模型在多个小样本图像数据集上取得了显著的效果,经过优化后得到的FSLNet Plus模型在多个数据集上达到了目前最好的性能。