随着深度学习技术的快速发展,深度学习也被应用到研究的各个领域。图像分类是一个经典的研究内容,使用深度学习技术完成图像分类任务一般需要依靠大规模的数据集,无法获得大规模数据集时,分类模型的训练就会受到限制。研究人员通过小样本学习方法解决了样本图像不足时分类模型训练的问题。图神经网络是小样本学习的一个重要模型,该模型通过特征提取网络提取小样本图像特征,然后将其作为图卷积网络中的节点,通过图卷积操作进行节点间的消息传播,使用节点中的特征信息完成图像分类。为了更好的发挥图神经网络在小样本图像分类任务中的作用,本文结合胶囊网络、残差网络和自注意力机制等对图神经网络进行改进,提出了胶囊注意力图卷积网络、残差图自注意力网络模型,在小样本图像分类任务上取得了较好的效果。改进具体内容如下。一是针对图像特征提取过程中出现的信息丢失问题,对图神经网络分类模型的特征提取网络进行改进。使用胶囊网络结合全局注意力机制设计出胶囊注意力网络,与原有的卷积网络组成分类模型的特征提取模块。提取到的图像特征向量输入到图卷积网络节点中,通过信息传播后完成图像分类预测。改进后的胶囊注意力图卷积网络相比于以往的小样本分类模型,在分类准确率有了一定程度的提高。二是图卷积网络的节点更新过程中,仅使用最新计算出的邻接矩阵更新节点会导致分类模型不稳定,而且随着网络层数变化和训练迭代次数增加,模型也会出现过拟合等情况。在图卷积操作中使用残差网络的思想,在计算本层邻接矩阵时加入一定权重的上层邻接矩阵,以改善不同层数图卷积网络训练模型不稳定和过拟合的问题。经过实验对比,改进后的残差图卷积网络提高了小样本图像分类任务中的准确性和稳定性。三是针对图卷积网络中卷积操作信息传递效率不高的问题,使用图注意力机制思想,在残差图卷积网络的基础上,结合自注意力机制设计了残差图自注意力网络,发挥自注意力机制可以提取输入特征之间关系的优势。在更新操作中,加快了每层由输入信息构成的节点之间的特征信息传播。改进后的残差图自注意力网络充分完成了在图像特征节点构成的图网络中的信息交互,使得输入数据之间关系挖掘更加细致充分,分类准确率在一定程度上得到了提高。