少量训练样本的图像分类是当前人工智能领域和计算机视觉的一个难题。在现有的研究中,深度学习模型在视觉任务方面(如图像分类)已经取得了最为先进的性能。但是在少量训练样本下模型的泛化性能却不尽人意。目前,许多研究工作通过领域自适应和数据增强的方法以弥补样本数据量不足的缺陷,并通过正则化技术,集成学习以及改变类间距离的方法缓解了模型易过拟合,泛化性能差的情况。但这些方法仍无法达到少量训练样本图像分类对模型建模能力的要求。本文基于深层卷积神经网络,针对上述问题完成了以下三个工作:1.提出面向少量训练样本图像分类的交叉熵损失函数的方法。现有的交叉熵损失函数只关注了样本分到正确类的概率,而没有关注样本分类到错误类的概率。针对多分类交叉熵损失函数中的问题,在少量训练样本条件下改进交叉熵损失函数,使之在关注样本分类到正确类样本概率的同时,也关注样本分类到错误类的概率,从而进一步提高模型的泛化能力,改善模型的稳定性。本工作在Stanford Cars-196数据集,UIUC-Sports数据集,LabelMe数据集以及CIFAR-10数据集进行实验验证。实验表明,所提出的方法与现有的方法相比提高了模型的分类精度。2.提出面向少量训练样本图像分类的集成方法。在少量训练样本数据集上深层神经网络易过拟合是一个尚需解决的问题。在现有的研究方法中,集成学习有利于克服模型过拟合。然而,由于深层神经网络的随机性较大,在少量训练样本的条件下,现有的基于深层神经网络的集成方法仍然存在对少量训练样本数据集过度拟合的问题。针对上述问题,本文结合边界学习和原型学习的方法,提出了一个新的集成网络。本工作在LabelMe和Caltech101数据集进行实验验证。实验结果表明,所提出的集成方法与现有的方法相比,提高了模型的泛化性能。3.提出面向少量训练样本图像分类的提取判别性特征的方法。通过压缩特征空间的方式,在不同距离或相似性度量下,使得特征的类内距离变近,类间的距离变远,是当前缓解模型过拟合的另一种方法。然而很多研究表明,即使学习到类内距离近且类间距离远的特征,模型性能也并没有实质的提升。针对这个问题,本文结合原型学习和关系网络,提出了一个新的神经网络,从新的角度学习了样本的判别性特征。本工作在UIUC-Sports数据集,LabelMe数据集,15Scenes数据集和BMW-10数据集进行了验证,结果表明,所提出的方法具有很好的性能。