随着计算机视觉技术的发展,基于深度学习的图像分类与检测技术已经得到广泛应用。现阶段深度学习方法需要依赖大量数据进行训练,而数据的搜集、标注和整理都需要巨大的人力、物力和财力,且仍不能解决部分领域本身数据不足的问题。少样本学习为上述问题提供了解决思路,但是目前的少样本图像分类模型复杂,实用性差;少样本图像检测技术则刚刚起步,现阶段仍没有通用方案。本文针对如何简化少样本分类模型以增加其实用性,以及如何实现通用的少样本检测框架进行了探究。论文的主要成果如下:1.针对现阶段少样本图像分类模型实用性差的问题,设计并实现了基于度量学习和特征聚合的少样本图像分类方法(Simplified Metric Learning Framework,SML),提出了 基于模型记忆能力的评价标准(Mean Memory,MM)。采用批处理训练模式来训练特征提取网络,结合特征聚合的方式,实现了端到端训练,摆脱了新任务需微调或重新训练的弊端,提高了模型的实用性。实验结果表明,SML具有较高的精度和较好的迁移效果,MM有助于提高少样本分类的模型评估的实用性和通用性;2.提出了一组针对少样本图像检测的通用模块,即全局上下文注意力机制模块(Global Context Similarity Module,GCSM)和聚合模块。在通用物体的检测器中加入该组模块,构成了少样本检测的通用框架GCSMDet,能有效地提取包含支持图像(support image)和查询图像(query image)的注意力信息,学习支持图像和查询图像之间的空间相似性。比其他少样本检测模型相比,GCSMDet的总参数量更少,且准确率更高;3.构建了一个少样本分类和检测的演示系统。该系统通过网页完成交互,能够向服务器传输待处理图像,接收并展示分类和检测的可视化结果。