近年来,随着深度神经网络的不断发展,经过大规模数据集训练之后,在特定领域计算机能达到甚至超过人类的表现已经成为现实。虽然这些深度学习算法取得了优异的成绩,但是也显露出一些缺点,比如需要依靠大量的训练数据和长时间的迭代训练。然而,对大规模数据的采集和标注成本是高昂的。因此当面对只有少量数据可供训练时,传统的深度神经网络经常崩溃,大量的参数无法得到有效的更新和学习。反观人类的视觉系统,其拥有惊人的能力,可以只依靠几个例子高效的学习新概念。受此启发,在基于大数据集的计算机视觉领域,针对实际情况如何仅仅利用少量的标注样本,让机器快速学习到有用的知识并将这个能力可以泛化到未见过的数据样本上,成为了近几年来非常有意义和有挑战的研究热点。大量学者投入到这个值得深入研究的领域,即少样本学习（Few-Shot Learning,FSL）。在基于度量学习的少样本学习问题中,核心问题是如何学习到一个针对少样本数据集高效的映射函数,其对于算法或者模型的有效程度直接决定了少样本学习模型的性能表现。实际上,不像传统的深度学习,在面对少样本数据集问题时,可供训练的样本数目十分有限,所以如何充分的利用有限的训练样本也是影响算法质量的重要因素。截止到目前,少样本学习领域大部分的工作是建立在图像级别上,而近年随着深度学习理论和计算机硬件的发展,处于最前沿的学者开始把注意力转移到“如何充分利用图像局部的信息”上。在此背景下,本文同样把研究焦点聚集在基于图像局部信息的少样本图像分类上,并分别提出了Res-DWNet和其改进版本Res-DWNe-v2模型。首先将图像分成多个局部区域并获取特征信息集合,然后使用注意力机制对图像“前景”、“背景”部分划分,并赋予注意力权重,最后使用沃瑟斯坦距离计算带权特征集合之间转换的代价,将其作为两者之间的相似度得分或距离。本文基于局部信息对少样本图像分类方法做了如下工作:（1）将ResNet-12网络改造成一个全卷积神经网络,提取到的图像局部特征信息集合的同时更具代表性;（2）进一步改进获取图像局部特征信息集合方式,引入了随机取样法;（3）使用沃瑟斯坦距离作为度量函数计算图像局部特征信息集合之间的距离,同时为了更加充分利用图像的局部信息,引入了注意力机制;（4）在面对K-shot问题时,不同于只是对同一类别多个样本特征信息取均值作为类别在特征空间中的特征表示,本文引入了一个特殊的结构化全连接层,可以得到更有代表性的类别原型。为了验证本文所提出模型的有效性,分别在mini-Image Net、CUB200＿2011、FC100、CIFAR-FS上进行了5-way 1-shot和5-way 5-shot等多组实验。