目前基于深度学习的人工智能算法已经在许多领域超越了人类,然而这类技术对数据的依赖性较高。在许多应用场景中,获取数据的过程面临着各种挑战,从而限制了深度学习算法在这些场景下的应用。因此探究在小数据量条件下训练可靠的深度神经网络具有重要的现实意义。小样本学习致力于解决数据稀少场景下训练模型的问题。在各类小样本学习算法中,基于度量的小样本算法性能较好。本文的研究问题为小样本图像分类,针对基于度量的小样本学习算法中数据匮乏、模型表征能力不足以及度量方式不准确等问题,从输入数据、特征编码模型、度量方式等角度出发对其进行改进。本文的主要研究内容如下:1.提出了基于对比学习和自注意力的小样本图像分类模型。该方法设计了一个监督对比块损失用于模型的预训练过程,该损失函数能够有效提升模型的泛化性能。此外,基于度量的小样本算法大多将图像压缩成特征向量,这种做法不仅丢失了图像的空间结构信息,还无法准确表示图像的前景物体。本文针对该问题提出使用特征图来度量图像间相似性,采用了自注意力机制对图像块进行匹配,确保模型能够准确对比关系相近的图像区域,从而做出更精确的预测。实验证明这两项改进能够有效提升小样本分类模型的性能。2.提出了基于视觉Transformer的小样本图像分类模型。该方法探究性的将视觉Transformer模型应用于小样本分类任务中。并通过分析自注意力机制和卷积操作之间的区别和联系,得出这两种操作方式的优缺点。据此设计了一种结合了卷积和自注意力机制的视觉网络模型。该模型能够同时编码全局特征和局部特征,模型的表征能力得以增强。实验结果验证了该视觉模型在小样本分类任务上的有效性,以及展示了各种视觉Transformer模型在小样本分类任务上分类结果。3.提出了基于多模态的小样本图像分类模型。该方法在预训练阶段引入代理任务辅助训练网络模型,通过这种方式增强模型的泛化能力。另外,本文提出使用多模态学习来解决小样本分类场景下数据稀缺的问题。具体而言,本文以原型网络为基础,设计了两种不同的特征融合方式对图像特征和文本特征进行融合,来增强特征空间内的原型表示,使得原型更具有代表性。实验结果表明,该方法能够有效提升模型在小样本分类场景下的准确率。