小样本学习的主要目标在于使模型能够从少量（比如:一个或数个）带标注的新类别数据中进行快速学习,进而能够对新类别数据进行分类和识别并且具有较好的泛化能力。然而,这一目标的实现非常有挑战性,其原因主要有两点:（1）特征退化问题。对只有少量标注数据的新类别,缺少好的特征表达。模型很难从少量样本中学习出一个好的特征表示。（2）分类器学习问题。少量标注数据通常无法精确地表达真实的数据分布,因此,即使有较好的特征表达,往往也很难从少量的监督数据中训练出一个好的分类器。针对这两个问题,本文采用现有成熟的网络架构,使用预训练和迁移学习方式缓解第一个特征学习的问题。对于第二个数据分布偏差所带来的分类器难训练的问题,我们提出了一个新的连续局部替换方法。具体而言,该方法利用不带标注的数据来修改给定的少量带标注的数据。为了引入更多有用的语义信息,我们采用“伪标签”策略在训练的同时不断地选择与当前带标签数据相似的图片进行数据增强。通过这种方式,模型可以在监督学习的方式下直接学习无标注图片中的语义信息,显著地增多特征空间中的监督信息。通过这种方式,模型可以学习到更为准确的分类决策函数并具有更好的泛化能力。我们的方法简单有效且有较好的可扩展性和可解释性。在多个公共数据集上大量的实验结果表明,我们的方法能在标准的图像分类小样本学习中明显超出现有其他方法,取得当前最佳的分类精确度。