深度学习方法在计算机视觉各领域飞速发展,但是通常需要海量的标注样本对深度模型加以训练。在很多应用场景下,获取大量标注数据成本高昂。所以,从少量训练样本中学习并识别新类别的小样本学习成为研究重点。目前基于度量学习的小样本方法由于简单高效的特点被广泛使用,其计算过程主要为构建投影空间和相似度的计算。本文在度量学习的基础上提出新的特征提取网络,并利用样本间潜在的语义信息修正样本特征在投影空间中的位置,提升了模型的性能。主要研究内容如下:1.针对目前小样本学习模型中特征提取网络较浅不能很好的表示样本特征的问题,提出双向特征网络。该网络利用残差结构和双向计算的方法构建深层网络模型,通过样本多尺度信息构建多投影空间,使得模型最终相似度的计算可以综合样本多尺度信息,减轻了网络模型的更新难度,增强了网络的性能。此外基于度量学习的模型仅考虑视觉相关性,缺失语义显著性特征,在背景干扰等复杂场景下存在明显弊端,针对该问题提出语义依赖网络。该网络首先利用双向特征网络提取样本的多尺度深层卷积特征,然后在模型的多投影空间中计算样本对之间的语义信息,利用该信息让同类样本特征相近,不同类之间的特征表示远离,使模型学习到目标类别间的可区分语义特征,提升模型的准确率。2.将语义依赖网络中提取出的语义信息作为样本的注意力,通过该注意力计算出原始样本在不同区域特征表示的重要程度。网络模型通过学习放大了样本在同类别语义信息上的计算权重,忽略了无关信息的特征干扰。修正样本在投影空间中的位置,使样本在投影空间中的特征表示更加地具有区分性。在语义信息可视化和公开数据集上的实验表现验证了模型可以充分的利用样本之间相似语义信息提升网络性能。