近年来,随着神经网络架构的演变,小样本学习已经逐渐成为国内外研究热点。小样本图像分类任务作为小样本学习的一种形式,在医疗、稀有物种等领域具有非常好的应用潜力。在众多的小样本图像分类方法中,度量学习以其原理简单的优势而被广泛关注,但其仍然面临着图像类别分布表达能力不充分、泛化能力不足和噪声干扰等问题。为了进一步提升度量学习模型在小样本图像分类任务上的分类性能,本文主要做了如下研究工作:1.针对度量学习模型在小样本图像分类任务上对图像类别分布表达能力不足,以及图像在卷积池化的过程中部分细节信息丢失的问题,提出一种基于多级度量网络的小样本图像分类方法。首先,通过四层标准卷积块获得第三层卷积后的图像深度局部描述子和第四层卷积后的图像全局特征;其次,利用改进的关系网络对深度局部描述子进行训练,获得图像关系得分;然后,设计一种融合迁移学习思想的训练策略,用于改进的原型网络对图像全局特征的训练,从而获得图像从属概率;最后,引入交叉验证的方法对图像关系得分和图像从属概率进行加权融合,并输出分类结果。实验结果表明,多级度量网络能有效提升小样本图像的分类准确率。2.针对度量学习模型在不同的小样本图像数据集上泛化能力不足,以及噪声干扰影响小样本图像分类结果的问题,提出一种基于任务自适应网络的小样本图像分类方法。首先,引入模糊简单线性迭代聚类算法模块对输入样本图像进行预处理,降低噪声对小样本图像分类结果的影响;其次,将经过预处理后的图像放入改进嵌入模块进行特征提取,增加与任务相关的特征的权重;然后,利用相似性度量模块度量样本间的距离,并将Softmax函数作用于度量距离获得图像从属概率;最后,引入混合损失函数优化网络参数,提升模型的分类性能。实验结果表明,任务自适应网络能有效降低噪声的干扰,提升小样本图像的分类准确率。