面对生活中来自各行各业的海量数据,如何从中有效地获取关键性的精简信息成为了人们的迫切需求,计算机进行信息处理研究的目标正是将获取到的这类非结构化数据进一步处理,转换成计算机可存储应用的结构化数据。关系分类作为自然语言处理中的一项重要问题,用来对句子中实体对之间的语义关系进行分类,通过对标记数据的训练学习,将非结构化数据中抽取的信息进行结构化处理。传统的分类方法以特征向量和核函数作为基础,随着深度学习的不断发展,基于深度学习的方法逐渐成为了关系分类任务中的主流方式。为减轻有监督学习中人工标记数据的负担,衍生了远程监督的学习方式。但真实场景中的关系呈长尾分布,因此需要大规模数据支撑的分类方式难以解决长尾问题。针对这样的问题在本文中进行了小样本学习的关系分类方法研究,通过对已知关系中少量样本的学习,实现对未知关系类别的分类。基于度量的方法以其简单高效的方式在小样本学习中获得了优异的效果,因此在本文中对基于度量学习的小样本关系分类任务进行了进一步的研究。本文以度量学习中的原型网络为基础解决样本匮乏的问题,以词嵌入和位置嵌入组合的方式构建词向量,结合卷积神经网络结构提取实例特征,在支持集的各类别中计算原型中心作为类别代表,通过度量查询实例和各类别原型中心的距离实现分类。为了降低支持集中特殊数据对原型中心计算造成的偏差,同时考虑不同查询实例在进行分类时对支持集训练的影响,在本文提出的模型中加入了关系孪生网络结构,计算支持实例和查询实例的相似性分数,通过二者的相似度分配支持实例权重,并将原型中心的计算方式由传统的均值计算调整为各类别中支持实例的加权和。在模型中还加入了交叉融合层,对查询实例和原型中心的语义信息进行结合,得到在彼此影响下更具有针对性的特征向量,提高各类别对于查询实例的区分性。在训练的优化部分,以原型网络中对查询实例到各类别原型中心距离的优化为基础,加入了针对支持实例之间距离的优化,以缩小同类别中支持实例之间的距离、扩大不同类别间支持实例之间的距离为目标,提高了类别中实例聚合度的同时,也提高了类别间的分散度。实验结果表明,在几种小样本学习设置下与基线模型进行对比,本文提出的模型都提高了关系分类的准确率,说明了本文提出模型在关系分类任务上能取得更好的效果。