近年来,得益于深度学习的飞速发展,计算机视觉领域取得了许多令人瞩目的成果,甚至在某些特定的任务场景下计算机已经超越了人类的能力。但是,基于深度学习的方法往往需要大量的数据,而收集并标注这些数据不仅需要高昂的人力物力成本,还面临着各种各样的隐私风险。与之相反,人类可以从少量的数据中学习到新的知识,并将其泛化到不同的领域。因此,如何仿照人类的学习过程,即从少量数据中学习到足够多的知识,吸引到越来越多的关注。小样本学习致力于解决上述问题,也很自然的成为了当前整个人工智能领域关注的重点之一。但是,当前的小样本学习方法仍然存在一些未解决的问题:没有考虑到不同语义区域的重要性随着任务的变换而变化,难以挖掘到真正重要的信息;小样本学习没有统一的实现方式,难以对一些小样本学习领域的一些通用问题进行研究。为了在一定程度上缓解以上问题,本文提出了以下两个工作:·基于任务感知的局部表示网络。为了解决不同任务中不同语义区域的重要性也不同的问题,本文提出了一种新的名为插曲注意力的注意力机制。插曲注意力通过挖掘具有任务级别鉴别力的语义区域学习到一种具有任务感知能力的局部表示。此外,为了进一步提升插曲注意力的自由度,本方法还设计了一种基于自适应阈值的选择策略。最终,本方法在多个基准数据集上取得了先进的效果。·小样本学习框架LibFewShot。为了解决不同方法采用的“技巧”存在差异,难以进行比较的问题,本文在一个统一的框架中重新实现了多种经典的小样本学习方法,为不同的工作提供了一个公平对比的平台。此外,本文也对一些小样本学习中的通用问题进行了进一步的研究,并发现插曲训练在小样本学习问题中仍然具有一定的研究价值,以及在测试阶段中对特征使用l2归一化的往往是一种简单有效的“技巧”。本文在以上两个工作中解决了一些小样本学习中的关键性问题,并希望能够通过这种方式促进小样本学习社区的发展。