深度学习技术近年来得到了飞速的发展,被广泛的应用到生活的方方面面。然而,当可供模型训练样本很少时甚至只有几个时,模型的性能往往表现很差,不能满足人们的需要。为了解决这种困境,人们提出了小样本学习方法。小样本方法大都可以分成两阶段的训练过程,即在基类数据集进行预训练的过程,和在新类数据集上评估小样本分类任务的过程。本文将这两个阶段的学习特点综合在一起展开研究,分别提出了改进措施,其主要贡献如下:（1）基于对比学习的特征提取网络。以往的小样本学习方法在基类数据集上训练的网络存在提取到的特征不够紧凑,在新类数据集上泛化能力不强等问题。针对此问题,本文在标准交叉熵损失的基础上引入了一种基于对比学习的多相似度损失,通过在特征空间中将同类图片的不同变换相互拉近,不同类图片的不同变换相互推远,模型能够学习到一个更加紧凑的特征空间,并且增强在新类数据集上的泛化能力。（2）基于Kmeans聚类的标签重分配算法。由于小样本任务的支撑集样本很少,如果支撑集采样到异常样本会严重影响分类的性能,相反,查询集的样本数相对较多能够形成比较好的团簇结构。针对此问题,本文提出了三种不同的簇信息的利用策略,能够减轻支撑集异常样本的干扰,辅助查询集样本的标签预测。（3）我们在常见的小样本基准数据集上进行了丰富的实验,实验结果表明将以上两种方法结合在一起,本文方法能获得更紧凑的特征空间,并且在多个数据集上的5-way-1-shot分类任务中能够取得与当前最优的方法相当的分类性能。