对细粒度图像进行小样本识别是计算机视觉领域关注的热点。随着小样本学习技术的发展,基于度量学习的分类方法在小样本细粒度图像识别任务上已经达到了较为先进的分类性能。本文基于度量学习方法对小样本细粒度图像分类技术进行了研究,主要研究内容如下:（1）传统的度量学习小样本图像分类模型对于细粒度图像中细微局部特征的提取存在一定的局限性,从而使得模型性能下降。为了解决这一问题,本文提出基于双线性卷积神经网络的双线性小样本网络模型。该模型使用空间注意力机制与残差特征聚合结构优化双线性网络框架,并将其用于提取细粒度图像的特征表示。在度量过程中,本文提出双线性引用机制生成图像特征的权重,以此优化图像特征间的度量精度。在公开数据集上进行的实验证明了该网络模型可以有效地对细粒度图像进行小样本分类,与其他方法相比具有较好的分类准确性。（2）传统的度量学习模型均将图像的全部特征信息作为度量对象,易受到细粒度图像中干扰性强的次要特征影响。为了解决这一问题,同时进一步提高双线性小样本网络的分类性能,本文提出部分匹配的双线性小样本网络模型。首先通过增加双线性网络中残差块的宽度并适当缩减网络深度进一步增强其特征提取能力。其次,在度量过程使用部分推土机距离作为度量方式,着重于对图像的部分重要特征进行度量,避免了次要信息对模型性能的影响。在公开数据集上进行的实验证明了改进方法的有效性。