数据分类是热门的研究领域,而小样本数据分类问题是最受关注的难题之一。在很多专用领域要求利用有限数据搭建可用模型,这要求研究者对小样本分类进行全面的研究。基因表达数据是代表性的不平衡小样本数据集,利用代价敏感模型可以有效的对其进行分类。图像分类问题是一种常见的数据分类问题。用于图像分类的卷积神经网络中的参数量庞大,调整这些参数需要极大的算力,用分布式的方法来确定更为有效。本文提出了改进模型和基于去中心化技术的分布式计算方法。主要研究内容如下:1)首先,对不平衡数据集的分类问题进行研究。本文研究利用代价敏感的方法改善不平衡数据集的分类难题,研究如何确定最优的代价权值。本研究通过网格搜索和函数拟合两种方式完成了代价权值的精准确定,本文提出的方法能得到更好的加权精度（Weighted Classification Accuracy,WCA）相较于人工确定方法和遗传算法确定权值。相较于传统的精度计算方法,WCA在不平衡数据集分类上更具代表性。实验结果证明,网格搜索法可以初步的完成对不平衡数据集进行分类,而函数拟合法能更精确的找到最优权值。2)本研究提出了一种针对小样本图像数据分类的卷积神经网络,命名为随机卷积网络。借鉴ELM随机权值的思想,结合Inception结构设计一种可快速训练针对小数据集的分类网络。本文从模型结构出发,减少网络的反向传播减少训练时间;增加多尺度网络分支提升分类精度。新提出的随机卷积有多种参数组合,不能依靠经验确定来获得最优参数组合。借鉴区块链思想提出去中心化计算网络,其网络中每个“矿工”通过竞争找到最优解。实验结果证明在小样本的情况下,随机卷积有更优秀的分类效果,传统的卷积神经网络难以在小样本情况下获得良好的分类效果。