人类认知智能的一个重要特点是能够从少数样本中快速汲取知识。虽然在过去的几十年里,深度学习的研究在广泛的应用中取得了显著的进展,但所提出的方法高度依赖于大量的标记数据。因此,在有限的可用计算资源下进行快速学习是一个挑战,即启发式地解决只有少量标记数据的新任务的小样本学习问题。学习一个分类模型并使之具有良好的泛化性能是小样本学习的目的,当该模型在遇到只有一个或几个样本的新分类任务时,也能表现出不错的分类性能。近几年随着图神经网络的出现与发展,一些研究试图用基于图的方法来解决小样本学习问题。现有的基于图的小样本学习方法,大多集中于单独学习节点特征或边缘特征,或只是简单地利用图卷积,未能充分保留及利用图结构信息。提出了一种双向边门控图循环神经网络（bi-GEGRN）,该网络融合了边标注图框架和图卷积运算。将门控图循环神经网络修改为基于邻接矩阵生成器的双向形式,使得其能够在两个方向上处理图序列数据,然后将其与边标注图进行有机结合,在循环更新特征的同时聚合图结构信息。基于图卷积的优秀聚合能力和交替循环更新策略的良好性能,biGEGRN提升了元学习任务间的信息传递效果。为了验证该算法在有监督和半监督模式下的有效性和普适性,在三个小样本数据集上进行了大量的实验,并且bi-GEGRN显示了良好的性能。除了建模bi-GEGRN,还建立了一种用于提升基于图网络的小样本学习模型分类性能的图神经网络增强模型。该模型将原模型中的聚合模块视作学习节点,用循环神经网络单元作为学习点之间经验交流的媒介,用来提升原模型的分类效果。在建立模型的过程中,还定义了元学习在图神经网络增强模型中的训练目标,并用实验证明了这个增强模型在提升分类性能方面是有效的。