少样本学习旨在从单个或少数训练样本中学习关于对象类别的信息,这种学习方式对基于大量数据的深度学习方法至关重要。深度学习方法可以通过元学习“利用先前经验学习如何学习”的思想来解决少样本学习问题。因此本文以少样本图像分类问题为研究对象,研究深度学习方法如何利用元学习从少量样本中快速学习和泛化。主要内容如下:1)在广泛的任务空间上进行度量学习,可以让深度学习方法能够很好地利用先前的经验知识,但该方法受制于特征提取的好坏以及支持集与目标集的度量方式的选取。因此针对上述问题,本文设计了多尺度关系网络。首先在特征提取器加入多尺度特征,将卷积神经网络中第三、四个模块的输出在深度方向进行拼接得到支持集、目标集的多尺度特征。其次,设计支持集、目标集的多尺度特征结合方式,将支持集每个类别的A个样本的多尺度特征求均值后,与目标集样本的多尺度特征按两特征相减后取绝对值的方式进行结合得到关系特征。最后,将关系特征通过神经网络进行度量学习。实验结果说明,多尺度关系网络使用简单的设计可以实现更高的性能,不仅提高了少样本学习基准集的分类准确率,而且缓解了过拟合情况。但是为了确保统一度量适用于所有任务,基于度量学习的少样本图像分类方法应保证任务集的同源分布。2)考虑到数据集分布差异性对度量学习泛化性能的影响,以及优化初始化表征方法“更适合于元训练任务分布之外的数据集”的优点,本文在多尺度关系网络的基础上,加入模型无关的元学习算法,设计了多尺度元关系网络。首先采用元梯度下降法的思想,将内层学习率作为学习矢量和模型参数一起学习。其次在元训练过程中采用模型无关的元学习算法寻找模型最优参数,而在元验证、元测试过程中取消内层梯度迭代。实验结果说明,多尺度元关系网络使学习得到的度量方式具有更强的泛化性能,不仅进一步提高了基准集上的分类正确率,而且避免了使用模型无关的元学习算法需要微调的情况。最后本文将多尺度元关系网络推广应用于小样本条件下的细粒度、遥感图像分类任务。