在食品的自动检测和饮食管理、食品流行趋势分析、食品健康和智能家居等诸多领域的驱动下,食品图像识别成为计算机视觉、数据挖掘以及多媒体领域的重要课题。目前大部分的食品图像识别工作是基于大规模标记样本的深度神经网络,这些工作无法鲁棒地识别只有少量样本的类别,因此小样本食品识别是个亟待解决的问题。在现有工作成果基础上,本文对小样本食品图像识别问题进行详细的研究和探讨。论文主要工作如下:第一,首先研究了食品原料信息对小样本食品图像识别的影响,食品图像与其他数据集不同,其丰富的原料信息可以作为食品视觉信息的补充,为此本文提出一个多视角小样本食品图像识别框架(MVFSL)。实验结果表明,MVFSL相较基准方法可以取得更高的分类准确率,且验证了信息在小样本食品识别中的优越性。第二,为研究更加细粒度的区分对小样本食品识别的影响,本文使三元卷积神经网络来学习类内与类间更具区分信息。然而对于食品图像而言,目前基于线性度量的三元神经网络的鉴别能力不足,为此通过引入可学习的关系网络作为三元卷积神经网络的非线性度量函数,进一步提出一个基于非线性度量的三元神经网络用于小样本食品识别方法。此外,本文提出一个新的三元组样本在线采样方案“limited batch hard”,可以使训练过程更加稳定。实验结果表明,本文提出的非线性度量的三元神经网络和新的三元组筛选方案的有效性。