近年来,深度学习图像分类算法发展迅速,并在实际应用中取得了巨大的成功。然而,有监督深度学习模型需要使用大量有标记数据和多轮迭代来进行训练。其高昂的标注成本严重限制了传统方法在全新类别的场景中的应用。更重要的是,针对这些特殊类别的大量标注样本可能很难或者不能获得,因此需要大样本数据来训练模型的条件从本质上限制了它们预测新出现的（例如,新出现的设备）或稀有（例如,稀有动物）类别的能力,从而使得原有模型很难应用于需要进行个性化定制的场景。同传统深度学习的算法模型相比,人类非常擅长通过学习很少量的样本,并通过推理来获取分类新类别中物体的能力。例如,孩子们可以仅从书中的单个图片概括“斑马”的概念,动植物学家可以通过极少的图片资料识别珍惜物种。针对仅可提供较少训练样本数量的场景,国内外在近年内涌现出大量的工作,这些工作致力于研究如何让深度学习模型在每个类别只含有少量样本（1个或者5个）的条件下仍能正常的完成图像分类任务,即小样本图像分类问题。该问题的研究对深度神经网络模型在长尾数据的场景使用和模型的泛化性探索有着较大的研究意义。当前主流的研究方向可以分为基于生成模型的方法,基于收集优化器的方法,基于分类器参数生成器的方法,以及基于度量分类器的方法。本文聚焦于基于度量分类器的方法之上,并得到两个研究成果,即基于自适应参数调节器机制（AIDA）和基于跨模态知识增强机制（CKEM）。现有的跨模态的小样本图像分类算法存在严苛的前提假设,即用户需要在使用的时候提供全新类别准确的文本描述,但这个假设往往很难在现实生活中得到满足。为了放松该限制条件,在本文中提出的基于跨模态知识增强机制通过对齐类别层级的跨模态图的方式建立视觉类别原型和文本类别原型之间的关系,再通过图神经网络消息传递机制来赋予模型自行检索和利用图中相关文本类别原型中包含的额外信息的能力;在元学习训练的过程中,模型会根据训练时遇到的元任务上的模型表现来对参数进行调整来得到鲁棒的模型参数分布。然而,在基于度量分类器的小样本学习算法中,最终模型的性能表现可能由两个不同的因素导致的,其一为由定义类别使用的样本过少导致的“meta-shift”问题,其二为特征提取器训练不充分的问题;在第一种情况下,如果模型过度的调整参数,则会在元学习任务中出现过拟合的情况。于是在本文中,我们基于自适应参数调节器机制通过判断当前模型误差的主要来源,并依此调整每次梯度回传的力度,来防止在元学习训练阶段由采样误差导致的导致过拟合问题。为了验证方法的有效性,我们将新提出的方法分别在小样本图像分类常用数据集mini-ImageNet数据集和tiered-ImageNet数据集中进行验证。结合CKEM模块和AIDA方法,经典小样本图像分类算法,原型网络（Prototypical Network）,在两个数据集上均观察到1%-2%的分类准确度的提升。该结果验证了两种方法的有效性。除此之外,我们还基于AIDA开发了对应的原型系统,让用户可以根据少量的自定义图片来轻松通过浏览器来识别全新物体。