深度学习方法在图像分类任务中取得了巨大成功,然而深度神经网络模型的优异表现高度依赖海量的标签样本数据。当样本数量较少时,模型训练受到限制,易发生过拟合现象且泛化性能差。在实际应用中,海量标签样本的获取往往十分困难。因此,如何高效利用深度学习模型解决小样本图像分类问题具有重要意义。深度度量方法旨在学习一高效度量空间,有效完成输入特征的非线性映射,准确反映样本间相似程度。针对极端的小样本图像分类任务,深度度量方法仍有优异表现。本文开展了基于深度度量学习的小样本图像分类研究,针对如何充分利用无标签图像样本,基于度量学习与增量学习思想,提出深度度量自优化模型;同时,针对如何获取高质量图像特征和类原型,结合原型表达思想,提出多尺度特征类原型表达模型。具体研究工作如下:（1）针对如何充分利用无标签样本的问题,提出深度度量自优化模型。该模型包括孪生网络分类模块和置信度自优化模块两部分。孪生网络分类模块通过构造孪生网络分类器,赋予无标签样本相应伪标签。利用少量标签样本直接参与模型训练得到初级分类模型,通过该分类模型对无标签样本进行标签预测,获取伪标签样本。为解决伪标签样本噪声问题,构建置信度自优化模块,借鉴偶发参数思想,筛选置信度较高的伪标签样本添加到可扩充训练集中。通过反复的训练、预测、添加,实现模型有效的增量自优化学习。（2）针对如何学习高质量的图像特征和类原型的问题,提出多尺度特征类原型表达模型。该模型包括多尺度特征融合模块和类原型表达模块两部分。基于多尺度特征对图像表达的高效性,构建多尺度特征融合模块,利用高斯金字塔策略获取多尺度图像,结合空间金字塔池化方法,解决特征向量维度输出不一的问题,融合注意力机制获取图像多尺度特征。为学习高质量的类代表,构建类原型表达模块,将类内样本的多尺度特征作为模块的输入,学习各类特征代表即类原型。（3）探究类内不同样本特征之间的差异以及不同样本在类原型表达过程中的不同影响力,基于加权思想,提出权值类原型概念。考虑类内不同样本受局部遮挡、背景变化等因素影响,各样本在类原型求取过程中的表现力不同。赋予类内不同样本相应权值以学习更具代表性的类原型,实现小样本图像的精确分类。最后,为验证本文两种方案解决小样本图像分类问题的有效性,在多个小样本学习数据集上进行了大量实验并取得了理想效果,充分证明了本文所提出的两种分类模型在小样本学习中的合理性与可行性。