图像语义分割旨在实现图像内容的像素级语义理解,其在自动驾驶、辅助医疗、智慧教育等诸多图像处理应用中发挥着核心作用,是视觉理解系统的重要组成部分。近年来,归因于大规模高精度标注数据集的出现和深度模型语义表征能力的不断增强,图像语义分割模型的性能得到显著提升。然而,现有的全监督图像语义分割算法仍存在数据依赖性强、泛化性差等问题,难以被应用到实际场景中。为此,研究人员提出小样本语义分割任务,旨在利用少量标注数据（支持图像）完成新类别（查询图像）的分割。相比于现有的全监督语义分割算法,小样本语义分割具有数据依赖性低、模型泛化性强的优势,但也面临新类别标注数据稀缺、分割先验不足的难题。原型学习是解决小样本语义分割的有效手段。其将小样本语义分割任务建模为少量标注下的原型提取与匹配问题,从有限的标注中构建涵盖该类语义的类别原型,通过与原型的最近邻匹配完成分割。尽管原型学习能够有效实现分割先验的提取与传播,其仍存在以下难点:（1）如何克服类内差异性,准确描述类别语义;（2）如何增强类间可区分性,避免语义混淆;（3）如何缓解新类别标注数据稀缺性,解决分割先验不足的问题。针对上述问题,本文展开了如下工作:（1）针对类内差异性带来的类别语义建模难题,提出利用非局部信息缩小类内差异的解决思路,构建基于上下文聚合的小样本语义分割单原型网络。所提方法构建多尺度上下文原型提取器,利用门控注意力机制、多尺度策略和上下文聚合网络,提取具有非局部邻域丰富语义的原型,从而提供准确的分割指导信息。（2）针对类间相似性造成的语义混淆问题,提出利用显著机制提取可判别特征的解决思路,构建基于相似谱交互的小样本语义分割多原型网络。所提算法利用金字塔自适应池化模块,有效捕获全局和局部分割先验,构建相似谱交互模块,实现更具判别力的类别感知特征的提取,进而提升模型的泛化性能。（3）针对标注数据稀缺引发的分割先验不足的问题,提出利用分割质量评价扩充标注数据的解决思路,建立基于数据扩充的小样本语义分割后处理模块。所提方法利用实例可信度推断策略实现分割质量评估,构建高质量、多样化的伪标注集合,利用联合分割优化策略实现高质量元知识的获取。实验结果表明,所提后处理模块带来了显著的性能增益。