在医学领域中,通过医学影像图片来判断疾病类型已经成为日常诊断的方法之一。现有的解决方法有通过提取图像中边缘、纹理、形态学滤波等特征进行分析,还有通过深度学习模型自动学习大量数据样本中的隐藏特征。但是在医学领域中所得到的图像数据通常存在类别分布不均或数据量偏少的问题,针对这一情况,本文提出采用元学习方法,在加强提取有效特征的基础上,通过训练模型学习的能力来解决小样本数据集的问题。针对数据量过少的问题,本文选择通过GAN生成图片来进行数据增强,DCGAN被证明能在样本量偏少的情况下依然训练出高质量的图片,本文在此基础上进行改进,将原有的批归一化改为谱归一化,同时将原先采用的Adam优化器改为RMSprop优化器,通过这些改进,模型的生成质量大大提高,训练更加稳定。本文选择原型网络来进行训练。原型网络是一种基于度量的元学习方法,该方法训练出的模型能有效帮助训练新的适合解决目标任务的模型,但是其使用普通卷积块提取信息,所提取到的信息对于之后的分类作用不明显,所以本文在原有的卷积块中添加注意力机制和1×1卷积,由此来增强模型在空间和通道上的表示能力,1×1卷积也可以在不损失分辨率的情况下,增加模型的非线性特性同时减少参数量。实验证明,对模型进行上述修改后,分类的准确率能够达到92.44%。上述方法是在原有的网络中添加部分结构,本文还使用迁移学习迁移Res Net网络来提取特征。Res Net的深度较深,所以本文首先使用改进后的DCGAN生成一系列医学图像相关的数据对Res Net进行预训练,之后将Res Net中的部分底层卷积参数冻结,利用目标数据集训练高层卷积,将这个结构作为原型网络的特征提取部分,最后使用分类器进行分类。实验表明,将迁移学习和元学习相结合能进一步提升模型的效果,在脑肿瘤数据集上的分类的准确率能够达到93%以上。