计算机技术迅速发展的今天,机器学习在许多领域已经取得了非常优秀的性能表现。虽然新的机器学习算法层出不穷,性能也逐步提升,但是机器学习的成功更多地是依赖大量的高质量标注数据。可是在许多专业的领域,数据或标注样本数据稀少,而数据标注不仅枯燥乏味、消耗时间,还需要大量具有专业领域知识的人力资源,如何在少样本场景下进行深度学习通常不是一项容易的任务。元学习的出现为上述问题的解决寻找新的突破口。元学习希望训练得到的元模型在学习到的“元知识”基础上,利用来自新任务的少量标注样本,仅通过少量梯度下降步骤微调模型,就能够在该任务上快速适应,这与人工智能的观点十分契合。模型无关元学习（MAML）已成为少样本学习中最成功的元学习技术之一。但由于训练样本的缺乏,MAML元学习器更难适应数据分布。当MAML在元训练期间对现有任务过度训练时,得到的分类器决策边界不够准确。不合理的决策边界使得元模型更容易受到微小对抗扰动的欺骗,这导致MAML在新任务上的鲁棒性能变差。论文提出半监督对抗鲁棒模型无关元学习方法semi-ARMAML与基于动态焦点损失的半监督对抗鲁棒模型无关元学习方法semi-ARMAMLDFL。semi-ARMAML在目标函数中分别引入半监督的对抗鲁棒正则化项和基于信息熵的任务无偏正则化项以优化决策边界。特别地,对抗鲁棒正则化项的计算允许未标注样本包含未见过类样本。semi-ARMAMLDFL重写焦点损失,在目标函数中引入基于信息熵的任务无偏正则化项和半监督动态焦点损失正则化项,以改善模型的鲁棒性,并在元训练过程中,动态更新调制因子,以调整模型对易受对抗样本攻击的难分类任务与易分类任务的关注度。最后,在Mini Image Net和CIFAR-FS两个基准数据集上进行对比实验,证明了semi-ARMAML对输入扰动的敏感性大大降低,能较好地适应于真实应用场景,具有较强的对抗鲁棒性和通用性;而semi-ARMAMLDFL相比semi-ARMAML,牺牲了一定的干净样本鲁棒性能,但其对抗鲁棒性能提升明显,从而获得了更优的整体鲁棒性。