近年来,得益于高性能计算机或分布式系统的超强计算能力,深度学习方法在计算机视觉相关问题上,尤其是对图像分类任务的研究,取得了长足的发展。然而,在实际计算操作或者现实生活中,出于安全或者隐私等方面考虑,常常面临难以获取样本或者图像样本量过少的问题,这在研究领域内被定义为小样本学习问题。而当涉及到小样本问题时,高性能的计算能力或是传统深度学习模型似乎显得力不从心。针对目前计算机视觉中的热门问题,本文对小样本图像分类任务和问题,以及相关方法进行了研究,并提出了相应改进措施。（1）小样本图像分类问题的核心挑战,在于样本量过少,导致用于训练的特征信息不足,深度学习模型的性能因此难以有效发挥。元学习是目前解决小样本问题的主要方法之一,旨在通过多个任务积累“经验”并完成元学习器的训练,达到快速推广泛化到新任务中的目标,但在目前小样本元学习方法中,内循环阶段的特征缺失问题依然没有得到有效解决。针对这一难题,本文首先提出了基于变分推断内循环优化的元学习方法MCRNet,在原有元学习框架下,利用变分推断进行特征弥补,在元学习内循环训练阶段嵌入额外的特征信息,从而完成对模型的有效训练。特别地,在小样本标准数据集上,MCRNet的准确率相较于基准方法（Baseline）提升了最高达4.2%。（2）在元学习内循环优化的基础上,本文考虑到小样本图像分类任务中一般涉及多个类别,结合元学习框架内循环和外循环作用原理,本文提出基于图神经网络外循环优化的元学习方法,充分发掘并利用类与类之间,图像与图像之间的关系,从而进一步提高模型在对图像划分类别时的准确率。在小样本标准数据集上,使用了图神经网络外循环优化的MCRNet,相比于（1）中的MCRNet,分类准确率进一步提升了最高1%。（3）小样本图像分类任务中,典型值为1-shot或5-shot,本文将该任务扩展至10-shot,15-shot和20-shot,丰富了模型的应用场景并使得模型的对比更全面。特别地,在新的小样本分类任务下,MCRNet相较于基准方法分类准确率平均提升了1.5%左右,而使用图神经网络外循环优化的MCRNet,在MCRNet基础上进一步提升了最高达2%。为验证本文所提出的MCRNet的有效性,分别在小样本图像分类问题的标准数据集CIFAR-FS,FC100和mini Image Net上进行了实验,包括与不同先进方法的对比实验,消融实验等。从定量和定性分析的角度,以分类准确率、特征可视化、收敛效率等为指标,将本文所提出的方法,与基准方法和目前国内外先进的方法进行全面对比,均验证了本文所提出的方法的有效性,且与基准方法相比,在取得更好的性能表现的同时,并没有过多增加内存和算力负担。此外,本文所提出的基于元学习的小样本图像分类方法,搭配不同的基础学习器,均有良好的性能发挥,体现了本文方法的可扩展性。