近年来,深度学习方法在计算机视觉领域取得了卓越的进展。然而,这些成就大都依赖于大量的标注样本,当训练样本不足时,深度学习很难发挥作用。为了解决深度模型在小样本情况下的学习问题,小样本学习被提出,旨在通过很少量的标注样本来学习到一个优秀的分类器。由于这一特性,小样本学习逐渐成为视觉识别中的一个受关注的领域。小样本学习的基本思想是从大规模数据集上学习可迁移的知识,并通过这些知识来帮助模型快速地学习到目标任务。基于这一思想,元学习方法提出用元学习器来学习可迁移的知识,度量学习方法则通过构建度量空间的方式来进行知识迁移。本文在元学习方法和度量学习方法的基础上,提出了基于记忆迁移的小样本学习方法来更好地对知识进行迁移。主要的研究内容如下:1.阐述了小样本学习的问题来源与研究意义,介绍了小样本学习任务的基本概念以及问题定义,对小样本学习的研究方向进行了总结,包括数据增强方法、度量学习方法、元学习方法以及转导学习方法,并对每类方法中的代表性方法进行了详细地分析与评价。2.针对于元学习方法中存在的微调效果不佳的问题,提出了基于记忆的迁移学习方法。首先,提出一种权重分解策略,将部分权重分解为冻结权重与可学习权重,在迁移学习中通过固定冻结权重,仅更新可学习权重的方式来减少模型需要学习的参数。其次,通过一个额外的记忆模块来存储之前任务的经验,在学习新任务时,这些经验被用来初始化模型的参数状态,以此更好地进行迁移学习。经过实验证明,记忆模块能有效地帮助知识进行迁移,从而提升模型微调的效果。3.为了在度量学习方法中更好地对特征进行表示,提出基于记忆的度量学习方法。首先,借助一个多尺度的通道增强的特征提取模块来提取更精细的多级特征。其次,通过引入一个基于记忆的注意力模块来挖掘样本之间的语义信息,使得样本的特征更具备辨别力,来帮助分类。通过实验验证,基于记忆的注意力模块能有效地提升模型的分类准确率。