小样本图像分类的主要目的在于学习一个具有良好泛化性能的分类模型,该模型在未见过的图像类别上仅需使用少量有标签样本进行学习,就可以取得良好的分类效果。这在现实中有着十分重要的应用价值,一方面,有些类别的样本数量十分稀少,获取难度较大,另一方面,对于有些样本而言,标注成本往往很高。因此,在标注样本数量很少的情况下,研究如何提升模型的分类性能有着极其重要的作用。在基于小样本学习的图像分类任务中,提取出更有利于分类的样本特征以及选择合适的度量方式是解决该类问题的关键,本文从这两个方面进行了研究,主要内容如下:（1）在特征提取方面,提出了一种类别遍历的图像到类别度量网络（Category Traversal Image-to-class Metric Network,CTIMN）。在CTIMN中,对样本进行特征提取时,采用类别遍历的思想,将每个小样本分类任务看作一个整体,对支持集和查询集中的样本进行类别遍历,这样能够有针对性地提取出样本的类内共有特征和类间独有特征,进而提升特征提取网络的表征能力。提取后的特征信息在关系度量上使用深度局部描述子表示,这样能够更加丰富有效地表达出样本的类别分布。最后,基于局部描述子的特征表示,采用图像到类别的度量方式来完成小样本分类任务,并且,该过程是在局部描述子中通过k近邻搜索实现的。实验结果表明,CTIMN在三个经典的小样本数据集中能够取得良好的分类效果,验证了CTIMN的有效性。（2）在度量方式方面,提出了一种二阶注意力局部和全局度量网络（Secondorder Attention Local-and-global Metric Network,SALMN）。在SALMN中,考虑了样本特征的二阶统计信息,使用二阶注意力网络对样本进行特征提取。在度量方式上,采用一种局部和全局相似度结合的度量方法,该方法通过局部相似度网络学习支持集和查询集中两两样本之间的关系,这样能够充分利用每个小样本任务中的局部关系,更好地加强模型的泛化能力。基于这种局部关系,设计了一个全局相似度计算方法,将样本的邻域信息考虑进来,从全局的角度上计算两个样本的相似度,以此完成最终分类任务。为了验证SALMN的有效性,将该模型在小样本数据集中进行了实验,实验结果表明,采用局部和全局相似度结合的度量方式,能够在小样本图像分类任务中取得良好的分类准确率。