随着卷积神经网络的提出,深度学习在图像分类,语音识别和物体检测等任务中取得了惊人的成绩。然而,这些研究通常都需要大量带有标签的数据进行训练,但在现实生活中,想要获取到大量的数据是十分困难的,限制了模型在现实世界中的适用性。而人类能够通过一张或几张图像学习到一个新的物体,通过之前学习到的知识,来帮助快速学习新的内容,小样本学习随之产生。现有的小样本学习主要从单模态在元学习,度量学习等方面进行研究。人类可以从多个信息源获取信息帮助学习,同时在观察一张图像时能够快速定位到具有辨别力的区域。如何从图像中快速获得重要信息,也是计算机视觉领域的关键问题。基于以上问题,结合图像的多模态信息获取,本文提出了一种基于显著性的多模态小样本学习方法。从人类视觉注意力角度入手,本文采用了显著性目标检测网络对图像进行处理,分离图像的前景、背景区域,更关注于图像前景部分,继而关注图像背景,符合人的视觉认知需求。通过视觉信息与语义信息的多模态结合,丰富图像的特征表示。语义信息提供的先验知识和图像背景的补充对图像识别都有所帮助。最后,本文在四个数据集上验证了模型的有效性。