少样本图像分类能够在图像数据稀缺的情况下根据仅有的少量数据样本实现图像分类。相比普通多样本图像分类方法,少样本图像分类具有数据量小、数据类别多、深层网络学习建模和学习难度大的特点。基于卷积神经网络的迁移学习方法和元学习方法在近几年少样本学习方法中取得了较大的进展,他们分别从模型和算法优化的角度出发,通过共享不同任务领域的共性特征,在先前经验的基础上进行指导和优化学习,避免重复学习过程来加快训练速度,本文基于卷积神经网络的迁移学习和元学习来研究少样本学习方法,具体研究内容如下:(1)本文基于模型迁移学习的方法,提出了一种基于模型迁移融合的模型(Model Transfer-Fusion Network,MT-Fusion Net),它将源域的多样本数据集训练好的深层网络模型参数,迁移到目标域中并作为少样本数据集的特征提取器,可以有效解决目标数据较少产生的过拟合问题。为了增加少样本空间的特征描述,本文将Inception V3以及Res Net18模型进行参数迁移并融合,通过不同尺度的特征融合来获取目标数据图像的深层和浅层语义特征,并加入自适应层来计算源域和目标域的距离以满足目标数据分类的要求。与未进行迁移和融合的网络模型相比,MT-Fusion Net可以有效的提升模型的泛化性,并在一定程度上提升模型的分类性能。(2)基于元学习的方法,提出了一种节点嵌入和边标记的图神经网络模型(Node-embedding and Edge-labeling Graph Neural Network,NEGNN),特征编码网络实现节点特征和边特征的属性定义,边标记图神经网络EGNN实现节点和边特征的拓扑关系更新,并根据每个元任务损失自适应地调整元任务权重。由于浅层卷积层的堆叠得到的节点信息忽略了特征之间的相关性,本文将SE-Res Net和Inception模块进行组合变形得到节点嵌入网络,实现将多个尺度特征进行结合,并对特征重标记来自适应的调整各个特征通道的权重系数。在节点更新网络中的加入Dense-Block来实现特征映射传递到后续的所有层,结合显性标记的边特征来强化节点邻域范围内的类内相似性和类间差异性。与现有的元学习方法相比,该方法能够得到一个具有较好泛性能力并提升分类的效果。