图像分类是如今计算机视觉中的一个研究方向。深度学习作为一种主要研究方法,因网络架构的深度复杂性使得其具有强大的函数拟合能力,但对于小样本图像数据集,仍然有着过拟合问题。要解决过拟合问题既可以优化网络结构,也可以增加训练图像。如今大量的研究致力于网络结构的设计和优化,而较少关注寻找图像的增广方法。例如,2012年提出的运用在Image Net数据集上的基本图像增广方法仍作为数据预处理的标准。这些基本的图像处理方法只对于特定的数据集有效,运用到其他数据集上时鲁棒性较差。对比于收集更多实际的图像数据,图像增广不需要花费大量的人力物力,因此被广泛应用于物体分类识别的任务上。以往图像增广的实现方式都是基于对图像的基本处理,这些增广方式仅仅假设了图像有着旋转、平移和尺度缩放不变性等基本特性,与具体图像中的数据内容无关。如今,模型复杂以及计算机计算性能瓶颈时,图像增广作为一种能够对分类性能进行突破的手段,有着其研究与发展的必要性。针对小样本图像数据量较少、不均衡的特点,本文对图像增广问题从优化的角度进行了建模,将其建模成在图像特征空间最优分布的优化问题。通过分析优化目标以及约束条件,提出了以粒子群优化算法的迭代思想作为原型的图像增广方法,在算法原型上根据一定规则约束进行像素空间优化。研究的需求假设是,对于进行增广的图像类别,其主要特征一般服从正态分布。优化目标为图像特征空间的正态分布满足均值的不变,以及标准差的增加,搜索策略是对两种元策略的组合。算法的决策空间为特征空间,优化结果该空间内的一组解以及其对应的图像。算法根据图像类型的特点设计增广策略,通过中间迭代的结果作为新生成图像,构造出分布更为均衡的数据,缓解深度神经网络的过拟合问题。实验部分通过对omniglot数据集以及mini-imagenet数据集中部分具有代表性的类别进行图像增广。与较新的图像增广增强方法通过控制变量的方式进行对比,本文的算法能够得到特征分布更广泛、更为均衡的增广图像。通过对实际应用场景下的旗帜图像进行增广,有效缓解小样本图像在深度学习方法中的过拟合问题,提升了模型的准确率。