近年来,受大数据和计算能力的驱动,深度学习网络在图像分类领域取得了巨大成功。随着神经网络发展迅速,其深度和参数量不断增加,使得图像分类的精度得到了有效改善。然而传统的深度学习网络需要利用大量的数据进行训练,这导致当数据不充分时,网络的分类和泛化性能急剧下降。这大大限制了深度网络预测新类别的能力,从而使得模型很难适用于少量数据场景下的识别任务。为了解决这个问题,最近几年越来越多的研究者致力于开发新的方法使得深度网络模型在仅拥有少量样本的场景下可以识别出新的类别,这些方法称为“小样本学习”（Few-Shot Learning,FSL）。根据当前主流的研究方向可以分为基于生成的方法,基于元学习的方法,以及基于度量学习的方法。本文着重关注基于图和度量学习的方法,通过对样本与类别之间的相似度计算,对查询样本进行分类。本文在基于度量学习框架的基础上,结合图学习模型与图Transformer方法,给出了两个小样本图像分类模型。主要研究成果如下:（1）图神经网络（Graph Neural Network,GNN）已被成功用于小样本学习（FSL）任务。基于GNN的FSL方法目的是将小样本学习问题转化为图节点分类或边标签任务,从而可以充分地探索支持集和查询集样本之间的关系。然而,现有的工作通常考虑通过节点特征学习的图,忽略了初始成对标签约束,不能保证对于小样本学习任务是最优的。此外,现有工作通常独立学习图边,缺乏考虑不同边之间的一致关系。为了解决这些问题,本文给出了一种新颖的标签引导图学习神经网络模型（LGLNN）,用于小样本学习任务。LGLNN的目的是结合标签信息,通过采用成对约束传播来学习GNN的最佳图。LGLNN的主要优点是它可以通过聚合来自相邻边的度量信息来学习每个图边的度量（相似性和非相似性）,从而可以协同一致地对所有的边进行度量学习。在小样本数据集上进行小样本图像分类及相关实验,实验结果表明了提出的LGLNN方法的有效性。（2）小样本学习的一个主要挑战是如何对支持和查询图像进行有效的图像表示。最近,基于局部区域的图像表示和度量学习方法已经被证明可以有效地解决小样本学习问题。然而,现有方法通常单独对图像区域进行度量学习,缺乏考虑图像区域之间丰富的空间/结构关系。本文提出通过一种新颖的区域图Transformer（Region Graph Transformer）架构来连接各个区域并探索区域之间的结构上下文。在RGTransformer中,每个区域聚合来自其相邻区域的信息,因此可以获得区域的上下文感知特征表示。使用提出的RGTransformer,本文给出了一种有效的度量学习模型用于小样本图像分类。在几个标准的数据集上的实验表明,所提出的RGTransformer在小样本学习任务中准确率取得了有一定的提升。