在图像领域中,基于深度学习的算法已经在分类任务上超越了人类的识别水平。但当训练样本稀少时,基于深度学习的图像分类技术往往会让模型处于过拟合而性能表现不佳,无法达到预期的分类效果。为了解决这个问题,小样本学习成为当前的研究热点。小样本学习可以快速地从少量的数据样本中学习到关键的知识以胜任新的任务,除了解决数据稀疏情景下的深度学习问题,还对探索人工智能技术具有非常重要的意义。但在面对数据类型漂移时,当前小样本学习算法的性能会发生较大的下降。针对以上问题,本文提出了一种基于元学习的小样本图像集成分类模型,通过在特征通道上训练多个弱分类器,降低单个分类器的训练难度,同时使用元学习器根据通道特征生成每个弱分类器的参数,减缓了模型在数据类型漂移时的性能损失;另外为增强模型在细粒度数据集上的分类性能,提出了一种基于元学习的多粒度特征融合小样本学习方法。考虑到不同粒度层的特征信息的差异性,在特征提取中对不同特征层的信息进行融合,以提高模型对细粒度特征数据的识别准确率。具体研究内容如下:1.借助注意力机制根据不同通道特征对任务的重要性,设计多个弱分类器,同时在多个通道上计算样本之间的相似性,将弱分类器集成的结果作为模型的分类结果。这种集成式分类器简化了单个分类器的训练难度,提高了模型最终的分类性能;2.在定义的相似性度量网络中,使用多层感知器来替换度量公式。模型根据当前任务直接生成多层感知器参数,相对于使用欧式距离和余弦相似度等度量公式,这种端到端的设计降低了特征提取网络的训练难度,提高了模型的泛化能力和分类准确率,有效解决了模型在数据样本类型发生漂移时模型性能下降严重的问题;3.通过借助多粒度认知思想,在模型特征提取过程中对不同粒度层的特征信息进行融合,提高模型特征提取能力。同时借助图卷积神经网络来计算样本间相似性,进而提升模型在细粒度特征数据上面的分类准确度。