小样本问题存在于很多学科的各类研究内容中，其数据特征主要表现在样本量少，样本维度高，然而由于某些研究领域的样本数据本身即为小样本数据，而有些研究内容尽管存在海量的数据，但是探究小样本数据可以从另一个角度去重新尝试相关问题的解决办法，抑或为相关研究提供了更为宽阔的研究视角。那么依据小样本数据这两个特征入手解决小样本问题，一是增加样本量，二是降低样本数据维度。本文则从增加样本量这一研究角度出发，以形式概念分析理论中形式背景及其属性等基本研究内容为依托，对小样本形式背景中属性的数学化概念和抽象的属性特征进行了详尽的阐述，并在属性定义及属性的属性特征基础上，探究以属性偏序结构图为研究载体的两种可能模式发现方法，即基于严格数学论述的可能模式发现原理和基于简单属性关系的前缀置换同层同构学习方法。并形成一套完整的用于小样本数据形式背景发现可能模式的研究思路，即提取小样本数据的属性及对象，构造小样本数据形式背景，对形式背景的分层优化，构造优化形式背景的属性偏序结构图，利用模式有向图或者前缀置换方法进行新可能模式的发现，将新可能模式还原到已有属性偏序结构图中，再将新模式赋予小样本数据的专业研究背景中，依靠专家的专业知识对可能模式的实际意义进行判别。基于小样本形式背景的新模式发现方法，能够有效地通过发现新模式，极大的增加样本数量，生成一定数量的虚拟数据，而同时也可能有效还原小样本数据中缺失的有关数据，如结合更为权威的研究领域专家的判断，可用于发现更多可能存在的有效模式，为所研究的问题提供了一项知识发现的创新思路。