为了降低深度学习对标注样本数量的要求,小样本学习被提出并成为了近年来研究的热点。其中基于度量学习的方法首先将样本映射到嵌入空间中,然后使用距离度量实现分类。已有的度量学习方法通常仅将样本独立地进行特征映射,忽略了对任务整体地观察,导致样本在嵌入空间中的分布缺乏判别性;此外现有方法计算原型作为类表达特征时,仅简单求支持集特征均值,由于样本匮乏,原型计算容易受到噪声的干扰,从而对类别的代表性较差。围绕以上问题,展开了一系列的研究,本文的主要研究内容如下:1.针对样本仅被独立映射,样本间关系信息挖掘不充分问题,提出一种关系挖掘与融合的方法。首先设计由卷积块与残差块构成的关系挖掘网络学习任务内样本间关系,并据此调整样本特征,构造更具有判别性的任务自适应嵌入空间。其次为了辅助训练关系挖掘网络,以及进一步促使不同类的样本簇相互远离,提出了原型互斥损失。在多个数据集上进行了实验,并通过消融实验,验证了关系挖掘网络与原型互斥损失均能够优化类簇在嵌入空间中的分布,以此提高网络的分类性能。2.针对原型对类别的代表性较差问题,提出了类特征优化网络。首先将提取到的样本特征输入关系挖掘网络进行优化。其次提出偏差抑制模块,通过软阈值挑选策略,挑选查询集样本并分配虚拟标签,加入到原型的计算中,以校正原型与期望原型之间的偏差,获得代表性更高的优化原型。最后,针对现有的度量方式仅计算查询集样本与类表达特征的单向距离这一问题,提出了反向相似度概念,作为对现有度量方式的补充,更加全面的评估样本间相似性。在多个公开数据集上进行了实验并取得了良好的分类效果,验证了类特征优化网络的有效性。