随着人工智能的兴起,深度学习发展迅速。然而传统深度学习在实现时需要大量的标注样本进行深度模型的训练,成本高昂。因此,如何让深度模型减少对训练样本数量的依赖,即实现小样本学习成为了研究的关键。基于度量学习的小样本学习方法简单高效,其主要通过将样本映射到特征空间中再进行距离度量实现。本文基于度量学习方法,首先通过多尺度特征提取网络和图神经网络提高基础方法挖掘样本特征信息的能力,再优化传统类表达特征计算过程,从而改进度量学习。主要研究内容如下:1.针对传统基于度量学习的小样本学习方法,使用单一尺度特征提取器,造成特征信息片面化的问题,提出多尺度类特征网络。首先设计基于卷积块与残差块的多尺度特征提取网络,获取抽象与细节特征都较丰富的多尺度融合特征。其次提出特征贡献度,通过预估样本与伪类表达特征的距离,赋予样本权重计算类表达特征,优化其在特征空间的位置,提高距离度量分类结果。2.针对传统基于度量学习方法在分类一个任务时,对样本仅使用自身标签,而忽略样本之间的标签类别关联,造成信息挖掘不充分问题,提出了深度掩码图特征网络,在特征提取后使用图神经网络进一步挖掘样本的深度特征信息。深度掩码图特征网络使用元学习器自适应生成边的掩码,指导图有选择地更新。此外,在分类时加入互斥损失,从优化网络训练的角度,促使不同类样本簇相互远离,进一步优化类表达特征计算,提升方法分类性能。在多个常用的公开图像分类数据集上验证了本文方法能有效挖掘特征信息,同时特征可视化结果表明本文方法优化特征在嵌入空间的分布,提高度量学习分类效果。