近些年来,在大规模数据的驱动下,深度学习算法在众多领域中大展身手,取得了许多突破性成果。但这些算法也逐渐显露出一些缺点,即模型通常需要依赖丰富的数据进行长时间的迭代训练,才能在特定任务中获得较为优异的性能。然而,在现实生活中,对大规模数据的采集标注成本却十分昂贵。因此,在图像分类任务中,小样本学习逐渐成为计算机视觉领域重点关注的研究课题。小样本学习旨在使得分类器仅需利用少量几个样本进行学习,就可以快速获得对该类别的识别能力。基于这个背景,本文重点针对小样本学习中基于度量学习的算法展开研究,主要贡献如下:本文通过分析关系网络中度量模块的卷积层只能比较局部特征的问题,引入了可变形卷积神经网络作为特征提取网络,使得提取的特征具有一定的全局特性,缓解了关系网络只具有局部相关性,缺乏全局相关性的问题。在关系网络的度量模块中,本文通过加入提出的关系注意力机制算法,将输入特征的全局信息聚合在输出特征的每个空间位置上,从而使得度量模块中局部连接的卷积核对局部区域求解相关性时能引入全局信息,并自适应地比较相对应的细粒度特征。对比实验结果证明,关系注意力机制算法仅仅引入了少量参数,却能显著提升关系网络的度量学习能力,识别性能得到显著提升。最后,本文设计了一种带有参数的度量模型的有效结构,即基于多头自适应因式分解机的度量模型。我们借鉴因式分解机的思想,预先将加权度量模型的参数转换为因式分解参数的形式,然后利用全卷积神经网络针对输入的样本自适应地生成其对应的分解参数,并将多个自适应因式分解机进行集成。实验结果表明,本文提出的带参度量模型拥有比无参度量模型更优良的度量能力,使得识别性能得到进一步的提升。