机器学习是对人类学习过程的一种模拟。人类能够利用少量样本学习总结事物的本质规律,但是机器学习却需要大量高质量样本来寻找数据间的规律,总结出分类判断的规则。在实际工作中,样本采集困难、标注代价昂贵,机器常常无法获得足量的样本数据。因此,研究在小样本条件下让机器快速学习的方法,具有较强的理论意义与应用价值。小样本学习问题的核心是数据量少,参数假设空间大,生成的样本特征表示无法充分表示类别信息且包含了大量的无效信息及噪声。目前的小样本学习方法大多采用辅助训练集作为先验知识压缩参数假设空间,但是由于任务样本数量过少,训练得到的特征提取器仍然缺乏任务针对性,难以直接提取到样本整体类别特征。因此,文章针对样本特征提取表示困难和噪声干扰多的问题,提出了解决方案。本文的主要研究内容如下:首先,很多小样本学习方法采用图像级别的紧凑表征,无法全面地表示类别信息。对此,我们提出了一种基于视觉词典的特征表示方法。为了充分利用神经网络提取特征的能力,同时降低小样本局部特征描述子分布不均衡的影响,使用神经网络提取局部的深层语义信息,然后结合深度哈希方法,构建了一个端到端的词典训练生成网络。利用融合的局部特征来充分地表示图像整体特征信息。这种方法用记忆中的局部特征表示新样本,规避了直接提取样本整体类别特征的难题,并且与分类模型结合时能有效地缩减参数假设空间。其次,许多小样本学习方法在分类时平等地看待每个从样本中提取到的特征信息,然而不同特征对于不同类别样本的类别特征表示贡献不同。因此我们提出了一种基于关键特征的小样本学习方法。依据小样本局部特征词汇的分布特点,对词频进行统计分析,调整每个局部特征的权重,使得模型尽可能地忽略无效信息、关注关键特征,从而加强模型对关键特征的建模能力。在标准数据集mini Image Net以及CUB上进行了实验,本文提出的特征表示方法可以生成具有类别区分度的特征表示,提出的基于关键局部特征的小样本学习算法与同类方法相比有效地提高了小样本条件下分类任务的准确率。此外,设计了消融实验和一些补充实验,验证了网络各部分的设计的有效性和合理性。