当前,深度学习技术迅速发展,在计算机视觉、自然语言处理、语音识别等领域取得了举世瞩目的成果,但是大多数深度学习模型的训练依赖于大量标注样本。在现实情景中,某些样本的标注非常困难,而较少的样本也不足以表达某个类别的特征分布。然而,人类可以在见过极少的样本后快速地识别出属于该类别的新样本,研究者们从人类这种快速学习的能力中受到启发提出了小样本学习问题,其目的就是要学习一个具有良好泛化性能的模型,能够在仅给出少数样本的情况下快速地识别出各个新类别。目前,小样本学习有许多优秀方法,其中度量学习方法由于其稳定性和有效性而被广泛使用。本文将从度量学习方法入手,针对现有小样本学习方法尚未充分挖掘先验知识的问题,进一步改进特征网络和度量方式。本文设计了相应的网络模型来挖掘先验知识,并将先验知识迁移到小样本图像分类任务中,以提高模型的泛化性能。本文的主要研究内容如下:1.阐述了小样本学习的研究背景及意义,介绍了小样本学习的基本方法和理论,详细分析了各类小样本学习方法的设计思想和优劣,总结了小样本学习模型的训练优化方法和评估标准。2.在小样本图像分类中,图像中的目标位置和姿态各不相同,目标之间存在潜在的语义关联,这种潜在语义关联作为一种先验知识并没有被充分挖掘。过去的小样本学习方法直接使用全局特征来表示样本,忽略了样本间存在的潜在语义关联,导致了目标匹配歧义的问题。针对这一问题,本文设计了一种基于局部特征表示的语义对齐度量小样本学习方法,能够充分地挖掘样本间的潜在语义关联,消除样本匹配时的歧义。实验结果表明,该方法相较于现有的全局特征表示的小样本学习方法具有一定的优势。3.图像样本的语义标签特征和包含类别关系的知识图被认为是高层抽象特征,它概括了图像中的目标属性和图像所属类别之间的关系。此外,语义特征空间和图像视觉特征空间具有较强的互补性。因此,为了充分利用这类有效的先验知识,本文设计了一种基于语义标签特征迁移的小样本学习网络,它能够将语义特征映射到视觉特征空间中,并与视觉特征进行融合后用于小样本图像分类。实验结果显示,该方法大幅度提高了小样本图像分类的准确率,证明了采用语义视觉多模态特征相较于过去单模态特征的优越性。