近年来,机器学习和深度学习技术取得了突破性的进展。以卷积神经网络为基础的深度学习技术在图像领域成果显著。但是同时也表现出了一些问题:需要大量的有标签的数据集作为支撑,训练周期长,解释性差等。在实际场景中,大量的有标签数据集并不是总是存在的,而少量的数据难以用来训练一个复杂的神经网络。与此同时,人类可以从少量的信息中快速学习。目前的机器学习算法的表现和人类之间的差距激起了人们对小样本学习的兴趣。怎样从少量样本训练出能够泛化的模型成为了机器学习领域中的一个热点问题。目前小样本学习的领域的研究成果主要采用先验知识（prior knowledge）来弥补训练数据不足的带来的影响,比如用其它相关数据集训练模型然后利用少量的样本精调模型,以及使用半监督学习的方法,从无标签的数据集中来提取信息帮助训练模型。本文提出了结合Siamese network和高斯混合模型的半监督学习算法。Siamese network在训练样本数量较少的情况下也能有很好的表现。Siamese Network每次输入两个样本点,判断输入的样本是否相似。这种输入特性使得样本点可以两两通过组合的方式,Siamese Network训练的样本大大扩充。高斯混合模型是一种广泛应用的无监督分类模型,但是需要通过手工的方法来提取图片数据中的特征。手工提取的特征往往需要特定领域知识,局限性很大。而这个问题可以通过Siamese Network有效缓解,Siamese Network提取特征不依赖特定领域知识,只依赖卷积神经网络。结合两者的优势,通过Siamese Network提取有区分度的特征,然后用高斯混合模型来分类。模型可以使用少量的有标签数据集和大量的无标签数据集进行训练,并且取得了很好的效果。实验表明,基于Siamese Network和高斯混合模型的架构能够很好的应用于半监督的小样本图像分类任务。