少样本学习技术指的是在标注样本受限的情境下,快速学习并泛化到新任务的技术。该技术是为人工智能技术通向真正智能化的积极探索,并已在标注数据稀缺,标注场景受限等应用中赋能。近年来,少样本学习技术迅猛发展,但是如何更好的学习任务相关的知识,以及如何缓解训练与测试阶段数据分布的不一致带来的过拟合问题,仍然是少样本学习的最大挑战。为此,本研究立足于两大样本受限的情境,在分类、分割与检测三项具体任务上,提出了分布估计的少样本学习方法以及迭代式域适应的少样本学习策略。比对其他研究者所做的工作,本研究的主要贡献如下:首先,在新类别少标注情境下的少样本分类任务中,本研究指出了常用的点估计建模方法易受噪声影响且易得到有偏估计的风险,进而提出了分布估计的算法模型,以规避这一风险。该算法利用贝叶斯学习中的变分推断策略细化分布估计流程,将原始分类问题转化为估计后验分布与利用后验分布完成推断这两个更为简单的子问题。在解决子问题的过程中,本文提出分布聚合规则与推断规则,获得描述样本不确定性的类别分布,以替代原先确定性的类别表征。这一解决方案大幅提升了模型对于少量标注的抗干扰能力。其次,在同一情境下的少样本分割任务中,本研究将基于变分推断策略的分布估计框架部署到这一任务的基线算法之上,以最小的额外代价验证这一不依赖于特定网络结构的算法思想的可迁移性与普适性。最后,在新场景无标注情境下的少量样本检测任务中,本研究提出了域适配检测算法,通过域判别器和特征提取器的对抗训练,使得域判别器具备分辨场景属性的能力,而特征提取器具备提取足以混淆域判别器的特征的能力。在这一基础之上,本文进一步提出多阶段迭代的学习策略,同时凭借注意力机制架设了域判别器与检测器之间信息交互的渠道,最终将适用于原始场景的检测器稳定的迁移到新场景。本研究在少样本分类、分割与检测任务上的公开数据集上进行完备的实验验证,包括与同期其他算法的性能对比,算法模型性质分析,可视化结果等等。实验结果证明了我们提出的一系列算法的有效性与鲁棒性。