近年来,人工智能技术（AI）已经在很多领域获得了极大的发展,但高精度机器学习模型往往依赖大量的有标注数据,而在很多诸如医疗、军事等实际的应用场景中,样本的获取非常困难,标注也需耗费高昂的人力成本,这极大的限制了AI的应用。此外,现在的机器学习模型越来越庞大,利用大量数据从头训练需消耗巨大的计算资源,然而,人类却具有利用少量样本快速学习的能力。因此,使机器也像人类一样具有在少样本条件下进行鲁棒性学习的能力,成为了一个具有重要现实意义的课题。本文以少样本图像分类问题作为研究对象,重点关注和研究少样本条件下的类别关系挖掘对于模型泛化性的影响。首先,本文挖掘了目标任务测试类别与基类的关联关系,以此提升少样本学习的性能。大多数现有的少样本学习方法利用基类数据预训练一个通用的特征提取模型,然后将其应用于所有少样本分类任务。本文首先证明了不同的基类对目标任务的帮助不同,有些基类甚至引入了负面影响,因此针对目标任务探究其测试类别与基类类别的关系有助于更高效的利用基类数据。为此,我们提出了一种目标指导的基类重加权（TBR）方法,该方法使用一种双层优化算法自适应地根据目标任务为基类分配一组权重。具体地,TBR通过最小化基类数据的加权经验风险来学习特征提取模型,然后根据特征提取模型在目标任务支持集上的性能优化基类权重。这种交替优化将重加权嵌入循环中,使特征提取模型对目标任务的测试类别更加敏感。大量实验表明,所提出的方法可以与基于模型的少样本学习框架结合,有效提升其性能。其次,本文探究了基类之间的关系度量对于特征提取模型类别泛化性的影响。少样本学习利用基类数据预训练特征提取模型,基类之间的度量通常采用独热编码表示,这种锋利的类别关系度量无法表示真正的相似度关系,将强化模型对基类局部判别特征的响应,不可避免的使模型发生基类类别过拟合,从而降低模型对于未见测试类的泛化性。因此,本文引入自然语义空间中的词向量表示（Word Vector）来获得更加准确的类别相关性描述,提出了一个双路特征提取模型,利用词向量作为监督信息可以使模型提取通用特征,通过独热编码可以使模型关注到判别特征,之后利用自适应注意力机制平衡两种特征,从而获得样本的鲁棒性特征表示。实验表明融合语义信息的特征提取模型显著的增加了特征表示的鲁棒性,极大的提升了少样本学习任务的性能。