图像分割是计算机视觉的基础任务,是实现机器智能和场景理解的前提,其进展对于地理信息系统,无人车驾驶,医疗影像分析和机器人等领域的发展具有重要的意义。现有的分割模型存在两个难题:1)严重依赖大量的人工标注数据;2)对新类别的分割能力不足。相关难题限制了分割模型在实际场景中的运用。针对上述问题,小样本图像分割任务被提出,其在已知类别数据上学习具有泛化能力的分割模型,并利用少量的标注样本（支持图像）实现未知类别图像（查询图像）的准确分割。现有方法基于类内信息挖掘构建分割模型,致力于支持图像对查询图像的指导分割,其存在以下三个问题:1)现有方法基于全局特征向量构建指导模型,忽略了对图像分割极其关键的局部细节信息。2)现有方法仅考虑支持图像到查询图像的单向指导,忽略了查询图像到支持图像的反向指导,而支持图像与查询图像之间的双向指导能够挖掘更加丰富的类内共性信息。3)现有方法局限于针对少量标注样本的类内信息挖掘,而少量标注样本中包含的先验信息有限,无法为查询图像的分割提供充分的指导信息。针对上述问题,本文展开了一系列研究,具体如下:1)针对全局特征忽略局部细节信息的问题,本文提出基于局部特征相似矩阵的指导模型,能够有效传播支持图像与查询图像间的局部关联信息。具体地,本文构建支持掩模和查询掩模间的关联矩阵,并利用局部特征相似性估计关联矩阵,进而将指导信息的传播过程建模为关系矩阵的估计过程,其m Io U指标相对于南洋理工大学和斯坦福大学联合提出的模型PGNet提升了1.1%。2)针对单向指导无法充分挖掘类内信息的问题,本文利用双向指导策略构建了基于掩模关联矩阵估计的双向指导模型,其更加有效地挖掘类内图像间的共性信息。基于提出的双向指导模型,本文构建了基于类内双向指导的小样本图像分割模型,在不增加模型推理速度的基础上m Io U指标提升了1.2%。3)针对类内信息挖掘模型提供指导信息不足的问题,本文提出基于类间关联的类别表示模型,利用类激活解析未知类别图像与已知类别图像间的语义相似性,实现了类间关联信息的挖掘,改进了少量标注样本先验信息不足的问题。