随着智能设备的普及和互联网技术的发展,每天都有大量的视觉数据生成,并在互联网上飞速传播,对这些数据的分析是亟待解决的关键问题。近几年来,很多学者逐渐将深度学习技术应用于视觉数据分析处理领域,并且在人脸支付、文字识别、智能辅助驾驶等领域取得了重大的突破,逐渐成为了解决视觉数据分析的最重要手段,为人们的生活带来了诸多便利。但是到目前为止,基于深度学习的计算机视觉技术仍然存在着很多局限性:需要大量的标注数据用于训练;训练好的模型无法直接应用到新的类别上。这些因素导致计算机视觉的研究和应用受到限制。本文致力于使用少样本学习方法解决现有计算机视觉研究中的标注数据不足的问题,主要贡献概况如下:（1）针对现有少样本分割方法没有充分利用特征之间的关系这一不足,提出了基于特征对比的少样本分割方法。通过学习特征间的关系,提高网络的特征提取能力,并在此基础上设计了少样本分割网络。为了解除训练阶段的批次大小对模型性能的限制,本研究还设计了特征池,鼓励信息跨批次交流,并且结合在线困难样本挖掘方法和三元特征对比损失函数,进一步提高少样本网络的分割性能。（2）针对现有的多目标跟踪方法在目标检测阶段没有利用到多帧信息这一不足,提出基于反馈更新的多目标跟踪方法。该方法将下游数据关联任务的结果反馈给上游检测任务,更新目标检测网络原始输出框的置信度,提高正确的目标框在非极大值抑制步骤中的优先级,进一步优化目标检测的结果,从而提升跟踪性能。（3）结合现实场景的要求定义了少样本多目标跟踪问题,要求算法在少量新类别的标注数据的引导下,具备对该类别的跟踪能力。为了解决这一问题,本研究提出了一种基于迁移学习的少样本多目标跟踪方法,利用基础类别的数据训练得到基础检测模型,然后借助新类别的少量标注样本迁移模型能力并移植到现有跟踪算法中,最终完成对新类别目标的跟踪。（4）本研究在多个数据集上评估了上述方法,并且针对少样本多目标跟踪问题推出了专门的数据集FS-MOT。实验结果表明,本研究提出的多个方法在对应任务上均取得了明显的提升。