医学图像分析能有效地反映人体的健康情况,辅助医生诊断和治疗,因而受到了学者们的广泛关注。然而,由于医学图像涉及病人隐私,公开数据集稀少,可用的样本量也较少,这对医学图像的智能化分析带来了很大的不便。而元学习在处理小样本学习的问题上具有优势,因此,本文分别以医学图像的分类和分割问题为研究对象,研究基于元学习的医学图像分析方法,主要工作如下:（1）医学图像分割往往需要大量人工标注的数据进行训练,才能达到较好的效果,然而公开的人工标注数据集及样本量稀少。本文研究提出了一种基于元学习的医学图像分割方法。首先,对元迁移学习进行研究和实践,接着,将元迁移学习与U-Net医学图像分割相结合,让U-Net医学图像分割能在小样本学习上得到应用,然后,将该方法应用到胸部X光医学图像,使用结核病标准数字图像数据集（NLMMontgomery County-Chest X-ray Database）,对该胸部X光医学图像中的肺部进行分割。实验表明本文分割效果在准确率、Io U和召回率等评价指标上都有了进一步提升。（2）针对医学图像分类网络模型的复用性不高,研究提出了一种基于元学习的医学图像分类方法。通过分析医学图像数据集特征不明显的问题,将U-Net图像分割和自适应均值阈值分割相结合,对胸部X光图像进行分割,拉大类间差异。然后,对与模型无关的元学习方法（Model-Agnostic Meta-Learning,MAML）进行分析与研究,并根据预处理后的胸部医学图像特征,改进MAML的网络结构,获取医学图像中更多的特征,同时对激活函数和损失函数也做出相应的改进。最后,通过实验,验证了本文算法能有效地提高医学图像分类的准确率。