虽然深度学习算法在图像分类中应用非常广泛,然而因为在实际场景中,获取标注数据的成本非常大,所以难以收集到足够多的标注数据来训练分类模型,模型往往陷入过学习或欠学习的问题。另外,目前大部分机器学习算法都难以有效地从数量有限的样本中学习好的图像分类模型的能力。因此,小样本学习依然是图像分类问题的研究重点之一。本文提出了基于幂阶变换技术和标准化技术的动态分布校正样本生成方法以及改进的反陷入GAN样本生成方法,首先利用大样本类即基类样本的特征分布校正小样本类即新类样本的特征分布,然后利用校正后的特征分布进行采样以增广新类数据,从而避免因为样本量过少而导致过拟合或欠拟合的问题。本论文基于该思想进行了如下两方面研究:（1）面向小样本学习的动态分布校正方法研究基于“两个类别相似时,其样本特征分布也具有一定的相似性”的假设,人们利用基类的分布特征对相似新类的分布特征进行校正,从而达到新类数据增广的目的。为了防止在分布特征校正过程中引入负迁移,从而导致新类丢失了自身重要的特征信息的问题,同时为了避免引入噪声,本文提出了动态分布校正方法。首先,基于距离阈值动态选择新类邻域内的基类以及远域内的最远基类形成候选基类。然后,通过预训练的特征提取模型提取候选基类和新类的样本特征向量,并使用幂阶变换和标准化对新类样本特征向量进行预处理以消除不同特征量纲的影响。最后,利用校正超参φ基于候选基类在嵌入空间的分布特征来校正新类中各个样本的分布特征,并利用校正后的分布特征对新类的样本集合进行增广。通过数据集miniImagenet和CUB上的大量实验结果表明,本文提出的这种动态分布校正的方案能够有效提高小样本分类任务的性能,其准确率提高了1%～4%。（2）基于改进反陷入GAN动态分布校正方法研究为了避免数据增强的方法得到的新类样本过于相似而失去类内样本多样性的问题,本文提出基于改进反陷入GAN的动态分布校正方法对新类样本集进行增广。首先,利用本文提出的动态分布校正方法对新类的样本分布进行校正,然后使用改进的“反陷入”正则化和改进的分类正则化来辅助增广新类的样本,以在满足样本量的基础上提升样本之间的多样性。通过数据集miniImagenet和CUB上的大量实验结果表明,本文提出的基于改进反陷入GAN的动态分布校正方法能够有效提高小样本分类任务的性能,与对抗性特征幻觉网络比较,其准确率最高可提升17%。