在当今信息化社会,互联网上充斥着各色各样的信息,其中图像在我们的日常生活中占据着举足轻重的地位,图像处理分为很多方向,其中图像翻译是属于图像处理的其中一个方向。计算机视觉领域内很多问题都可视为图像翻译。图形翻译可以定义为在有着充足的训练数据情况下,将图像表示的一种形式转换到另外一种形式。近年来,各种图像翻译模型在图像翻译各种任务中都取得了巨大的成功。但是,如果在目标类中无法访问足够的图像,那么学习从源类到目标类的映射总是会出现模式崩溃,这限制了现有方法的应用。这些无监督翻译模型大多数都是基于生成对抗网络。生成对抗网络能够隐式地建模分布,并在图像翻译任务上显示出巨大的潜力。然而,生成对抗网络需要需要大量并且经过多次迭代的训练样本来训练。而事实上,在某些领域根本无法获取到大规模的训练数据,或者说获取成本所耗费的人力,物力和和财力都相当大。相比之下,人类的视觉系统在只观察一个或几个例子后就具有识别新物体的能力。人类视觉系统和深度学习模型之间的这一显著差距,已经引起了人们对小样本学习的研究兴趣。因此如何在小规模样本的情况下完成图像翻译工作是当前需要解决的问题。本课题从这一角度出发进行了以下的研究:首先本文研究了当下较为流行的无监督图像翻译算法CycleGAN,CycleGAN也是很多图像翻译方法的基线模型。为了提升生成图像的质量和训练速度,本文在CycleGAN的生成器结构中引入了DenseNet密集连接网络,将原来生成器中的结构ResNet残差模块替换成DenseNet模块,旨在更好的实现特征复用。使用DenseNet密集连接网络会导致冗余特征复用,本文通过引入SE-Net模块,将SE模块嵌入到Dense块内部的每个3*3卷积后,通过对特征进行重标定,优化冗余特征复用。实验结果表明,该方法在生成图像质量方面有了一定的提升。其次本文提出了一种基于元学习的小样本图像翻译算法,通过一系列翻译任务对模型进行训练,每个翻译任务中只有少量的样本,旨在利用在这些翻译任务中的产生的先验知识。当模型遇到新的任务时,只需少量的源域和目标域的数据微调预训练模型,即可很好的完成图像翻译工作。经过实验证明,本文所提出的方法能在训练样本很少的情况下进行翻译任务时是有效且可行的。