近些年来,随着算力的增强,深度学习取得了令人瞩目的成就,在各种任务上已经达到了可与人类相比较的水平。虽然深度学习发展得十分迅速,但它对数据量的需求非常大,要训练一个分类任务的模型往往需要百万级别的数据。在实际应用中,往往没有那么多有标注的数据,研究模型如何从大量无标签数据中学得知识是十分有必要的。近两年来,这个问题随着自监督学习的出现取得了突破性进展。和一般的监督学习一样,自监督学习也有泛化性和鲁棒性的问题,本文讨论了如何利用因果推断来辅助自监督任务学得更加泛化和鲁棒的表示,并将这种方法应用到少样本学习的任务中。本文首先讨论了如何将因果推断引入自监督学习任务中。首先对自监督学习任务过程进行因果图的建模,再利用独立因果机制,给出自监督学习任务满足因果图模型的一个必要条件,之后以这个条件来约束自监督学习,使其学得图像更加本质的特征。实验证明了相比Sim CLR,使用独立因果机制约束训练出来的模型Sim CLR-ICM在Image Net分类测试数据集上取得了1.5%的Top-1准确率提升,在Image Net-R数据集上取得了2.8%的准确率提升,在Image Net-C上m CE和mr CE指标分别下降了6.1和17.8。这说明了独立因果机制能够提升自监督学习的鲁棒性和泛化性。另一方面,本文还讨论了这种因果自监督学习的应用,以少样本分类任务为例。少样本分类任务常采用基于度量的元学习方法,然而这种方法通常无法在特征空间中将更精细的子类别分开。除此之外,在测试时,少样本分类任务需要泛化到训练集中没有出现的类别上。本文对此引入一个辅助编码器和负样本队列,利用因果自监督学习同时缓解这两个问题。实验证明相比基准模型,在Mini-Image Net测试数据集上,加上自监督损失后,在1-shot测试任务和5-shot测试任务上准确率分别提升了3.69%和5.74%,在使用独立因果机制进一步约束后,模型测试准确率分别在1-shot任务和5-shot任务上进一步提升了1.28%和1.35%;在CUB-200-2011数据集上,加上自监督损失后,在1-shot测试任务和5-shot测试任务上准确率分别提升了4.37%和3.88%,在使用独立因果机制进一步约束后,模型测试准确率在1-shot任务和5-shot任务上进一步提升了0.59%和1.38%。这证明了因果自监督学习在少样本分类任务上是有效的。