细粒度视觉分类技术近年来越来越受到重视。一方面因为该问题具有的类间差距较小、类内差距较大的任务特点吸引了学术界的研究兴趣;另一方面现实商业环境中,零售业、电商业对细粒度的货物商品识别技术有了更高的要求,同时其他学科也有着实际需求,如动物学、植物学也希望利用细粒度视觉分类技术自动识别分类学意义上相近的(如同科不同种)物种。同时,细粒度视觉问题的规模化应用天生还存在一个问题,即长尾分布效应。例如,我们将鸟类这个一般的类别细分到斑嘴巨鸊鷉、栗胸林莺这些细粒度类时,每一类的可获取样本数量将大幅降低。同时,当某种细粒度的鸟类为珍惜物种或者新发现的物种时,可获取样本数量将更加少。因此,少样本条件下的细粒度视觉识别问题,已成为了一个具有实际意义的交叉领域话题。首先本文针对细粒度图像,提出了一种普适于基于度量的少样本学习框架的难样本再训练方法。为了缓解基于度量的少样本学习方法中监督信息丢失的问题,本文设计了将基准模型进行参数冻结后作为难样本筛选器的采样机制,作为训练部分的输入环节。同时,本文还设计了有纠正机制的损失函数,纠正原基准模型的错误分类,达到强化监督信息的目的,从而扩大细粒度类别的类间距离,使得再训练后的模型不更改构造即可获得更好的细粒度图像分类准确率。此外,本文关注到了现存少样本方法中缺少讨论的特征结合环节,并指出了该环节对细粒度对象的影响。基于此观察,本文通过借鉴传统模式识别流程中图像描述子的方法,设计了一种任务级别的特征结合操作,代替了原来默认的沿通道维度串联操作,在更少计算量的同时取得了更好的效果。同时,本文还关注到,除了图像外,在动作识别领域也存在细粒度问题。我们总结出语义相近和时序相反两种层面的动作细粒度,设计了一个基于度量的少样本动作识别方法,并且针对两种层面的细粒度分别设计了一个注意力机制(称为时序注意力遮罩),和一个池化机制(称为时序池化)。本文总结了少样本细粒度动作需要关注的问题,提出的模型给出了少样本细粒度动作识别的基准线模型,做了该话题的初步探索性研究工作。综上所述,本文在少样本细粒度视觉分类问题的若干环节中,发现了存在的问题,并提出了算法设计,并且通过实验证明了算法设计的有效性。