在监督信息有限的情况下,小样本学习已经被广泛提出来训练具有泛化能力的机器学习模型（例如,卷积神经网络（Convolutional Neural Network,CNN））,这已经在欧几里得数据上有了充分的研究。然而,近年来非欧几里得数据呈现出爆发式增长。因此,研究非欧几里得数据上的小样本学习模型也十分重要。最具代表性的非欧几里得数据是图数据（Graph）,当前已经有许多研究工作将小样本学习应用于图数据上。其中,比较流行的研究方向是小样本节点分类（Few-Shot Node Classification,FSNC）,它是去使用有限的标签节点来预测图数据上的无标签节点。先前的小样本节点分类模型主要分为两种,即基于元学习和度量学习的模型。然而,它们都过度地把研究重心放在挖掘基类的先验知识上,而没有考虑新类中无标签节点的丰富信息,这造成了新类信息的不充分利用。而自训练算法能够通过给置信度高的无标签节点赋予伪标签来挖掘出无标签节点中的丰富信息。因此,本文针对元学习和度量学习的模型中存在的问题,基于自训练算法提出了两种小样本节点分类模型:（1）提出基于信息增强的自训练小样本节点分类模型。本文通过引入自训练算法去给置信度高的无标签节点赋予伪标签,实现第一轮数据增强,并挖掘了新类中无标签节点的丰富信息。接着,将新类中支撑集和伪标签集输入到映射函数（例如,多层感知机（Multilayer Perceptron,MLP））中生成新的节点集,再用新的节点集更新模型,进而实现第二轮数据增强。在模型的整个训练过程中,通过将自训练作为数据增强中介,实现了两次可靠的数据增强,本文将两次连续的数据增强称为信息增强。（2）提出基于知识蒸馏的自训练小样本节点分类模型。尽管能够通过上述提出的信息增强去训练出好小样本节点分类模型,但信息增强能够工作的关键是自训练模块。然而,在执行自训练时容易产生两个问题。首先,当使用错误的伪标签时,自训练会误导模型的训练方向。其次,当使用过度自信的伪标签时,自训练会导致模型过拟合。这两个问题说明了伪标签的质量会影响自训练的性能。因此,本文提出通过引入知识蒸馏去改进伪标签的质量,进而提升自训练的性能。本文针对先前模型存在的问题,提出了两种自训练模型。这两种自训练模型都能够去挖掘新类中的丰富信息。大量的实验结果表明提出模型都是有效的。