近年来,以深度学习为代表的机器学习方法在算法、理论和应用等方面都获得重要进展,极大地助推了人工智能技术发展的热潮。依靠海量、高质、带标记数据和大规模计算资源的支撑,深度学习技术展现出了超强的性能优势。但是其在量少、质差、缺标记数据的任务上,仍然表现不佳。人类可以通过学习不同任务来学习方法论的共性,在只有少量信息的情况下快速学会新的技能或者适应新的环境,这种非凡的知识重用能力（学会学习）是人类智能的重要组成部分。因此,旨在解决学会学习问题的元学习,被认为是实现通用人工智能的关键之一。元学习的核心目标是通过少量数据快速适应新的任务,以及在将机器学习应用于现实问题时,实现端到端的自动调整超参、模型设计的高度自动化机器学习。相对于传统机器学习方法挖掘单一任务中大量数据的内在规律来实现模型在该数据集中的泛化,元学习通过挖掘不同任务中的共有有效方法论来实现模型对于这一类任务的泛化。元学习作为一个近年来新兴的研究热点,其独有的方法论优势有着广阔的理论研究价值和应用前景,并取得了众多突破性的进展。本文以元学习的知识重用和泛化能力为核心,围绕元过拟合、任务设计这两个主要挑战展开研究,主要的研究内容包括以下几点:（1）本文在面对元强化学习中陷入局部最小（鞍点）这一元过拟合问题时,考虑到使用噪声可以帮助神经网络逃逸局部最小（鞍点）,并结合人类利用先验知识进行探索这一思维方式,提出了一种基于先验知识重用的元强化学习探索算法（Exploration with Structured Noise in Parameter Space,ESNPS）。该算法有效地利用以前的搜索经验作为结构化噪声,通过参数空间对模型进行扰动,在新任务中实现了具有先验知识的引导性探索。特别地,据我们所知,这是第一次使用已学习到的策略网络的元参数作为参数空间中的结构化噪声。大量的实验验证了构建具有先验知识的结构化噪声的有效性,ESNPS在测试任务中展现出了良好的引导性探索,并超越了所对比的一组对比方法。（2）本文从元学习任务的多样性需求出发,提出了一种从无标记数据集中构建任务的无监督元学习方法（Constructing Unsupervised Meta-learning tasks with Clustering and Augmentation,CUMCA）。CUMCA利用无监督嵌入学习和数据增强方法来满足类别区分性和类别一致性这两项要求。但是增强数据会引入偏差和弱多样性问题。因此,CUMCA把内外层循环的数据进行了交换。随后,本文提供了一个理论分析来解释为什么MAML外循环比内循环对增强数据更敏感,并且在实验中详尽的分析了在不同训练模式中使用这两种数据的效果,以及应该使用多少组生成的增强数据才能获得更好的性能。再者,为了解决增强数据有偏差且多样性不足的问题,本文提出了一种新的数据增强方法:基于先验的混合（Prior-Mixup）,该方法利用额外的样本作为先验对原始样本进行扰动,并且不变更标签。在公开数据集上,CUMCA击败了其他的无监督元学习方法以及无监督嵌入学习方法。（3）本文考虑到现有的元学习推荐系统全都忽略了关键的元记忆过拟合问题,从而引起了泛化能力差、性能不佳等问题,提出了一种基于跨域元增强的内容感知推荐（Cross-domain Meta-augmentation Method for Content-Aware Recommendation,Meta CAR）方法。该方法利用数据增强的方法来构建互斥任务。互斥任务是指数据一样但是标签不一样的任务,是解决元记忆过拟合问题的关键。Meta CAR利用跨域组件学习一个先验,并结合目标域已观察到的用户-项目对来生成有意义但和真实数据有区分的增强数据。然后,利用增强数据和真实数据分别构建互斥的任务,从而避免模型元过拟合。大量的实验证明了Meta CAR方法优于多种不同类型的对比方法,并且相对于其他元学习推荐方法取得了大幅度的进步。