近年来,深度学习领域取得了许多引人瞩目的成就,深度学习模型大量的应用于多种实际场景中。但在实际的应用过程中,深度学习算法往往需要成千上万个有监督的样本,以此来保证模型的学习能力,而获取这些符合相关标准的样本十分耗费人力、物力。因此,在实际样本量很少的情况下,以往的深度学习模型难以胜任。小样本问题正是由此而来,其目的旨在通过一个或者几个示例就能使得模型轻松建立起对新事物的认知。小样本学习是针对具有少量样本的数据集进行学习。数据集中每个类别仅含有几个带标签的样本,然后根据任务进行分类、识别或检测。在小样本学习中,一个关键的挑战是最大限度地利用几个有限的数据,找到任务所需的正确描述或分类。原型网络是一种基于度量的小样本学习分类算法,但原型计算方式简单,不能反映出各个样本间的差异性,本文在原型网络的基础上,对样本原型的计算、网络结构优化等关键问题进行了研究,主要工作如下:由于各个类别中样本对原型的贡献不同,针对同类样本与相似类的样本对度量空间下各类分布的影响不同,提出了一种近邻加权原型的思想。在原型网络中,原型是通过对每个类别中的样本特征向量平均得到的,即认为各个样本对原型是同等重要的。但显然,同一类样本也是不一样的,样本具有多样性的特点,在原型计算过程中,质量高的样本应当占有更大的权重。本文提出的近邻加权原型网络NIPN以同类、相似类近邻样本点的间距为基础,计算了度量空间上每个类别中样本占有的权重,进而采用加权的形式计算出每类更具代表性的原型,同时增大了相似类之间在度量空间上的距离,从而提高分类的准确率。为了进一步提升小样本分类性能,针对数据集中样本的目标及背景中存在的噪声干扰所带来的性能损耗,本文引入了注意力机制,结合通道注意力机制来判别特征图各通道重要性,并依据不同大小的感受野所能提取的空间特征的差异,来判别特征图不同空间位置的重要程度,构建了多核通道注意力网络A-PN,对特征提取网络的结构进行优化,使模型在学习的过程中更加关注感兴趣的区域,以减少噪声的干扰,从而提升小样本分类准确率。实验表明:在5-way 5-shot任务中,近邻加权原型网络NIPN将基于基准数据集Mini-Image Net和CUB的小样本分类平均准确率分别由72.64%和84.76%提高到75.29%和86.65%,在提高准确率的同时,仅增加了1.11%的计算开销,近邻加权原型网络NIPN极具竞争力;多核通道注意力网络A-PN将小样本分类的平均准确率由72.64%提高到73.14%,提高了卷积神经网络的特征提取能力,在学习训练过程中,更加关注重点区域。本文的研究提出了近邻加权原型算法并且构建了更好的特征提取网络,在两个基准数据集上的实验结果表明了该模型对基础模型优化的有效性,比现有的一些小样本分类方法更加优越。