近年来,人工智能的发展带动了智能医疗的进步,利用计算机技术实现疾病的预测和诊疗正在成为可能。由于医学领域诊断的严谨性和复杂性,能利用计算机视觉技术的医学领域并不多,这主要取决于领域的图像基础,特别是直观图像特征。同时,当前的图像识别和分类方法都是基于深度神经网络进行学习训练,但这些模型需要大量的标注数据,在数据缺乏的领域尤其是医学领域,训练数据规模通常达不到需求,使得模型性能表现不佳。为了解决医学领域小样本数据出现的问题,本文以痤疮图像数据为载体,研究了基于注意力机制的图像分类模型,探讨了面向小样本痤疮图像的知识迁移学习以及元学习方法。本文主要开展了以下工作:（1）首先,本文对痤疮诊断模型进行了研究。本文提出了一个基于注意力机制的图像分类模型,模型包括图像通道级别的注意力机制模块和图像子图的注意力机制模块,增强了模型对图像的特征表示能力。本文完成了不同分类模型在痤疮数据上的性能对比。与传统的机器学习方法相比,证明了卷积神经网络图像分类模型的优势。注意力机制的运用证明了注意力机制对图像特征表示的增强作用。（2）其次,本文基于迁移学习对小样本痤疮图像分类模型进行了研究。本文构建了小样本痤疮数据集miniACNE,将不同的知识迁移方法应用在痤疮数据集上。在卷积神经网络模型的基础上进行了迁移方法的设计,证明了迁移学习在痤疮图像分类模型的有效性,但同时也发现了迁移学习方法的不合理使用,会出现负迁移的现象。（3）最后,本文分析了小样本痤疮图像分类模型的元学习方法。本文提出了基于任务自适应的图像分类模型,构建了任务自适应特征提取模块,并且使用马氏距离的协方差矩阵完成了对图像分类模型分类器的改进,解决了小样本数据带来的过拟合问题。总之,本文围绕痤疮图像诊断,深入研究了小样本医学数据诊断模型的构建,推动了计算机视觉技术在医学领域的应用。