随着人工智能的发展,基于深度学习的众多领域不再过分依赖于大量数据,其能够利用以往的经验针对新的问题从少量的样本中进行有效的学习。在现实中,人们也将必然面临更多数据不足的问题,因此如何让机器像人类一样能够通过已有的学习经验快速从少量标签样本中进行有效学习实现分类,成为一个重要的研究方向。在近几年,小样本的分类算法层出不穷,从迁移网络、度量空间以及数据增强等方向的研究都有了很多突破性的进展。但是,基于GNN的小样本分类算法现在还仍旧处于不断探索的状态,如何在标签数据短缺的情况下将样本的特征充分利用,如何在避免过拟合的情况下提升网络特征提取的效果,以及如何得到更适合网络初始化的边标注等方面的研究尚待进一步深入。因此,本文从挖掘隐含特征、特征注意以及初始边权值优化之间的潜在关联三个方面,展开了一系列研究。本文的主要工作和特色如下:（1）本文提出了边权单步记忆约束网络（ESMC）,根据边权数据的隐含分布特征,设计新的图结构,并结合节点特征进行融合更新,实现有限样本数据下的特征丰富以及充分利用。（2）基于卷积块注意力机制,提出了通道注意力与空间注意力的不同集成方法,通过特征注意帮助模型提取样本中更具意义的特征。（3）本文提出自学习初始边权修改模块,通过将初始节点特征度量结果作为约束条件为网络寻找更合适的初始化边权参数,进一步提升模型的学习水平。最后,综合上述方法,本文在标准数据集上进行了各训练模式下的消融实验以及对比分析,得到的实验结果证明了本文方法的合理性以及创新性。