近年来,深度学习方法在计算机视觉中取得了巨大的成功,使用深度学习模型实现灾害图像分类成为一种新的思路。然而由于自然灾害发生的不确定性和危险性,灾害图像样本难以获取,而深度学习模型的参数量一般较大,通常需要海量数据的支撑,如若只使用少量数据来训练模型,模型往往会过拟合,性能差强人意。因此如何使用少量样本训练出能够进行实际应用的模型,即小样本学习,已经成为一个需要迫切研究的课题。度量学习是小样本学习领域中的主要研究方向之一,但目前基于度量学习的算法例如原型网络和关系网络存在以下两点不足:其一,算法在度量阶段仅使用余弦相似度或3×3卷积等单尺度的比较方式来计算样本间的相似度,当图像中物体大小差异过大时,模型的准确率会有所下降;其二,现存的对图像中物体进行分类的度量学习算法,难以解决对图像中物体所处灾害状态进行分类的灾害图像分类问题。针对第一点不足,本文深入研究了适用于不同尺寸物体进行比较的度量学习算法,提出了针对通用物体图像分类的基于多尺度比较的小样本物体图像分类模型;在此基础上,针对第二点不足,在小样本灾害图像分类的具体应用场景中,提出了针对实际应用的基于多尺度比较和注意力机制的小样本灾害图像分类模型。本文的具体工作如下:1、针对图像中物体尺寸差距过大的问题,通过系统地探索多尺度信息对模型效果的影响,本文提出了基于多尺度比较的小样本物体图像分类模型,简称多尺度比较网络。多尺度比较网络首先使用四层编码器对支持样本和测试样本进行编码以获得其特征图,然后对这些特征图进行深度拼接,最后将特征图送入由两个多尺度比较模块和两个全连接层所组成的比较器进行比较,得出支持样本和测试样本之间的相似性,进而得出测试样本所属类别。此外,本文探究了多尺度信息,包括多尺度特征提取、多尺度特征比较、不同尺度的选择、尺度的数量以及多尺度所带来的参数量提升对分类准确率的影响。在两个基准数据集——Omniglot和Mini-Imagenet上的实验结果验证了多尺度比较网络的有效性,并且与关系网络相比,多尺度比较网络在Mini-Imagenet数据集上所有实验的各项指标中均有约2%的准确率提升。最后本文结合实际应用自建了小样本灾害图像数据集,并在其上进行了实验,能够有效处理同一灾害下不同尺寸物体的多尺度比较网络仍有不错的表现。2、针对现存小样本图像分类算法更加关注图像中具体物体所属类别,与灾害图像分类更注重图像中所发生灾害、与其中物体类别无关,两者目标不相符的问题,本文在针对通用小样本图像分类的多尺度比较网络的启发下对比较尺度的选择与设计进行了改进,提出了一个基于多尺度比较和注意力机制的小样本灾害图像分类模型。模型首先使用具有残差结构能够防止网络退化的特征提取网络对支持集和测试集图像进行特征提取,然后将两者特征进行深度拼接,送入能够削弱无关物体信息的注意力机制网络中得到特征所对应的注意力权重,接着将注意力权重与特征在平面空间维度按元素相乘后得到优化后的特征,最后将特征送入更加注重物体状态、偏像素级比较的灾害比较网络中得出两张图像的相似度,进而得出灾害所属类别。本文在自建的小样本灾害图像数据集上进行了实验,验证了小样本灾害图像分类模型的优越性,与关系网络和多尺度比较网络相比,小样本灾害图像分类模型有明显的准确率提升。最后本文进行了尺度数量选择实验和消融实验,进一步探究了各个模块在小样本灾害图像分类模型中所起的作用。