小样本学习是人类理解世界的主要认知方式。在机器学习领域,小样本学习可以有效解决深度学习算法因为训练数据不足而导致网络模型性能急剧下降的问题。因此,小样本学习也是人工智能技术的重要研究方向之一。近年来,小样本学习在医疗诊断、军事策略、商业决策等领域都具有广泛的应用,避免了人们在数据集上的大量资源的消耗,使其可以将更多的精力投入深度学习模型的改进中。小样本学习利用少量样本,能够基于已有的知识结构对新事物进行有效分析,从而快速获取新事物的有关知识,具有较好的泛化能力。因此,具有小样本学习具有重要的应用价值和理论意义。本文对基于深度学习的小样本图像分类学习方法进行了研究和改进,主要利用深度学习技术将深度网络模型与贝叶斯学习进行有效结合。通过贝叶斯学习思想,本文利用从小样本中获取的先验概率知识来推断整体的概率分布,同时,为获取有效的先验概率知识,采用基于迁移学习的深度网络模型来获得较好的特征提取效果。本文主要研究内容如下:首先,本文对基于小样本学习的图像分类进行了概述,说明了小样本图像分类的重要意义,深入研究了目前主流的小样本学习方法,尤其是迁移学习和贝叶斯学习,为本文工作奠定了理论基础。然后,本文基于迁移学习的Res Net模型将贝叶斯分类和Soft Max分类进行有效结合,该方法目的在于使得模型可以有效识别训练集中的已知类别图像,实现良好的闭集分类。上述两种分类方式将针对样本特征向量进行各自分析,从而获得不同的分类结果,该网络模型通过特征阈值对结果进行合理选取提高小样本学习效果,并在最后设计实验进行对比验证。最后,本文基于贝叶斯学习思想设计了一种开集分类方法,该方法目标在于使得模型不仅可以有效识别训练集中的已知类别图像,而且可以拒绝不包含在训练集中的未知类别图像,从而实现良好的开集分类。该方法首先基于贝叶斯定理对训练集中样本进行特征分布统计,然后网络模型基于该特征分布和样本信息,利用贝叶斯学习思想进行因果推导,推测该样本是否为未知类别,并在最后设计实验进行对比验证。实验结果表明,该深度贝叶斯网络模型相较于其他小样本学习方法在小样本数据集上表现更加全面,具有更好的闭集分类效果。另外,其开集分类性能也优于其他现有的开集分类算法,具有一定的优越性。