随着生物医学领域的跨越式发展,每天都会有海量有关生物医学的论文或者期刊被发布。对于生物医学研究者而言,每个人的研究方向不尽相同,如果通过个人在有关的生物医学期刊网站上逐个搜索自己研究领域的文献既费时又费力,而且效率往往还较低,因此如何让生物医学研究人员快速找到所属领域的权威论文以节约研究人员的时间和精力就成为了一件十分重要且具有意义的工作。针对目前生物医学文献的数据不足的问题,本文提出了运用小样本学习的算法应用在生物医学文献分类任务上。传统深度学习训练过程需要大量的且具有高质量人工标注的数据,但是经常缺少大量的数据为模型训练做支撑,因此选择小样本学习的策略可以更好的解决传统深度神经网络训练中标注数据量不足的问题。本文选取三种小样本学习算法在Trec生物医学公开数据集上作对比实验,选择了文本分类性能更好的基于元学习对抗领域自适应网络模型（MLADA）算法。之后本文又将MLADA算法与传统深度学习算法进行实验对比,实验结果显示了在分类准确度相差不大的情况下小样本算法使用了更少的训练样本,在面对数据较少的文本分类任务的时候,小样本学习算法的分类性能相比较传统深度学习算法性能更加突出且更具优势。本文同时将理论与实际相结合,应用基于元学习对抗领域自适应网络模型算法开发了生物医学文献分类系统。用户在该系统上通过可视化界面的生物医学分类选项就能够快速查询到自己研究领域所属的文献,并且该系统还提供高级搜索功能,可以更加精确的帮助研究人员查找文献。同时用户可以在该系统的社区模块进行发帖和评论,为研究人员提供了学术交流的平台。本文通过实验对比小样本学习算法和传统学习算法之后,发现小样本学习与传统模型相比性能相差并不大的情况下,但却用了更少的实验数据,从而得出了小样本学习拥有更好泛化性的结论。并且本文应用基于小样本学习的文本分类算法开发了生物医学文献分类系统,该系统可以为生物医学的研究人员节省大量搜索文献的时间,最终间接地推动生物医学领域的发展与进步。