遥感图像解译中最重要的便是遥感图像信息的识别,其在军事领域和民用领域均有大量应用。而基于深度学习的模型会比较依赖训练样本的数据量,与遥感图像数据标注困难的自身现状存在一定矛盾。通过少量甚至单张样本使得算法对新的类别具有学习能力在遥感图像目标识别及分析领域具有实际意义。基于此,本文将少样本识别技术应用到遥感图像分类领域中,提出基于图网络（Graph Neural Network,GNN）的少样本遥感图像分类算法。主要工作及创新点如下:（1）基于MAML模型在少样本识别任务中表现的不稳定性及本身存在的对数据内在表示学习的局限性和RN模型对同类别样本非线性特征融合采用的线性叠加方式带来的一定信息丢失,选取GNN作为原型模型进行遥感图像少样本识别研究,并在少样本数据集Omniglot上进行对比实验,相较于RN识别率提升了 0.5%。（2）少样本识别问题中主要思考在于采用合适的方式来解决类别标注数据少的现象。传统的前馈网络（CNN、RNN）仅获取样本图像自身信息进行对比预测,本文考虑运用GNN独有的节点、边的构造来学习样本之间的信息表达,对GNN进行改进提出边标记图网络（EGNN）,通过边特征来反映节点之间的相似度信息,从而获取待预测节点的分类结果。在少样本数据集miniImageNet上相较于GNN,识别准确率提升了 0.43%。（3）在少样本分类问题中,训练集和测试集类别的不同分布会导致模型的泛化能力较弱。因此采用基于FMix的数据增强技术,其在CutMix方法的基础上使用傅里叶变换对高频低频区进行裁剪再插入,使得裁剪模板不再局限于矩形区域。相比较于线性插值方法（Mixup）可以有效保留图像中语义分布的信息。在少样本数据集minilmageNet上进行样本增广性能提升能力比较实验,改进模型FMix-EGNN相较于EGNN识别准确率提升了 2.11%。（4）在特征提取阶段,引入间隔增强思想进行“放大”处理,在不改变网络基础架构的前提下采用引力和推力计算来改变特征向量之间的欧式距离,得到改进模型 AugFMix-EGNN。