伴随着人工智能的兴起,越来越多人开始关注深度网络。通常,需要使用大量的数据样本对深度网络模型进行训练,才能得到较好的分类效果,但是很多应用场景中都无法获取足够的样本数量。为了解决样本数量匮乏的问题,专家学者们提出了少样本学习的概念。图像分类中的少样本学习的目标是在每类标记样本较少的情况下,对未标记图像进行正确的分类。目前基于度量的少样本学习算法在图像分类任务上已经获得很优异的性能。这类算法首先获得样本在特征空间上的特征向量,通过已知样本的特征向量计算该类的类原型,未知样本的类别根据该样本特征向量与各原型的距离来确定。计算原型的传统方法是平均每个类中标记样本的特征向量,而这样的计算方式可能会导致计算出的类原型受到个别样本的影响而产生巨大的偏差。针对该问题,本文借助注意力网络的思想,提出了一种更加合理的原型计算方法,来获得更加鲁棒的类原型。在网络的训练过程中,传统的方法只考虑训练样本中查询集样本的分类损失而未考虑支撑集样本的分类损失。但是当支撑集的样本较为分散并且部分类别较为相似时,网络可能就无法对支撑集样本进行适当分类,进而影响了网络在查询集的效果。针对该问题,本文提出在总体损失中加入支撑集的分类损失,以此最小化同一个类别内样本特征向量的距离、最大化不同类别样本特征向量的距离。此外该损失间接增加模型训练过程中的数据量,在支撑集的基础上对网络进行适当微调。传统的少样本学习方法将在辅助数据集上训练好的模型直接应用到少样本学习的目标任务上,但是由于辅助数据集的样本类别和少样本学习的目标任务中的样本类别不相交,辅助数据集和少样本学习的目标任务数据集样本特征分布存在差异,进而降低了训练出的模型在少样本学习的目标任务上的性能。针对该问题,本文借助域适应的思想,在网络中加入一个域判别器,来寻找两个数据域中共同的特征,学习一个能够同时表现两个数据域特征的空间,进而提高网络在少样本学习的目标任务数据集上的分类性能。本文在Omniglot、mini Image Net以及两个细粒度分类数据集上执行少样本图像分类任务。实验结果表明,本文提出的原型计算方法和支撑集分类损失对于提高少样本学习算法的分类性能很有帮助。同时实验结果也表明,在网络中加入一个判别器能够有效对网络进行微调,训练出更加适应于目标任务的网络模型。