基于优化的元学习是一种旨在从指定的数据/任务中学习一组敏感的模型初始化参数的机器学习算法。该算法的优点在于当遇到一组新数据/一个新任务时,训练好的模型能够仅仅通过若干步梯度优下降化便在新任务上的测试集上获得良好的泛化表现。然而,从泛化性能的角度来看,我们认为传统的基于优化的元学习算法包含两方面缺陷:（1）由于每一个训练任务中包含的训练样本数量过少,算法在学习过程中使用过参数化网络时容易产生过拟合现象而影响算法的泛化性能;（2）基于优化的元学习算法本质上是一个双边优化问题（Bi-level Optimization）,元参数（meta-parameters）的优化依赖于在每一个任务上学习到的任务特定参数（task-specific parameters）。然而,由于复杂的损失曲面,传统的元学习算法在学习任务特定参数的过程中难以找到最优解。与此同时,具有较强归纳偏好（inductive bias）的任务特定参数也会在元参数更新过程中起到负面作用。因此,本学位论文着重从图像分类任务的角度出发对基于优化元学习算法进行分析研究,通过对算法本身进行理论分析进而对当前算法框架进行优化,提升算法的精度表现。本学位论文提出了两种不同的元学习算法,利用不同的学习策略针对性的解决当前基于优化的元学习算法中的缺陷,具体研究成果包括:提出了基于网络剪枝的元学习算法（Meta-Learning with Network Pruning）。该算法将非结构性剪枝（Unstructured Network Pruning）与一阶的基于优化的元学习算法相结合,在非结构性剪枝中的稀疏阶段裁减掉不重要的网络权重参数,从而缓和过参数化网络（Over-parameterized Network）在少样本学习中存在的过拟合现象。理论分析和实验结果均表明,本论文所提出的算法有效的提升了元学习算法的泛化性能。提出了基于自适应偏好正则项的元学习算法（Meta-Learning with Adaptive Biased Regularization,Meta LAB）。该算法受偏好正则化项（Biased Regularization）启发,Meta LAB旨在学习一个由一个超参数系数控制的、更加自适应的偏好正则项。Meta LAB算法在原有的一阶元学习算法的内循环优化中嵌入了一个超参数优化问题,在优化网络参数的同时,优化偏好正则化项的系数,使得该系数随着任务的学习不断的变化调整,最后收敛到一个最优点。通过控制偏好正则化项的系数,该算法能够控制元参数在一个被约束的邻域中搜索最优的任务特定参数,同时利用偏好正则化项具有将原有损失函数变凸的优点获得更加精确的子优化问题的解,进而提高算法的收敛效率以及泛化性能。