近年来,无论是国内外中小学STEM教育热点向人工智能方向的转移,还是在线教育平台对人工智能相关内容的引进,都表明人工智能教育正呈现低龄化趋势。现阶段,国内外针对青少年开发的机器学习平台还处在初级阶段,普遍存在训练效率低、数据规模小的问题。在各类训练数据中,图像数据质量和算法选择对于模型性能的影响最为明显。而图像分类模型作为机器学习平台的重要组成部分,其数据要求高、训练成本高、训练周期长等特点,不能适应青少年机器学习平台利用少量数据快速训练模型的需求。为此,本文设计了面向小规模数据的图像识别模型在线快速训练系统,并对图像模型自动生成技术进行了深入研究。论文首先对自动机器学习和迁移学习在图像识别领域的国内外研究成果进行分析和总结。然后,本文面向小规模数据的图像识别模型训练,针对数据规模与分布问题,设计了基于数据平衡度的动态数据增强算法,提出基于标签信息和贝叶斯算法的增强策略复用优化技术,实现动态数据增强;针对自动训练功能,提出自适应图像分类模型,首先设计基于迁移学习的自适应算法框架,然后基于任务复杂度设计了模型自动选择算法。最后将动态数据增强过程与模型自动训练过程相结合,设计了模型自动生成解决方案AutoTrain,实现模型参数和增强策略的同步优化。基于以上理论研究成果,本文对面向小规模数据的图像识别模型在线快速训练系统的各个模块进行了设计、实现和测试,并与现阶段主流自动机器学习系统进行了对比。实验结果表明,本文所提出的动态数据增强技术和自适应图像分类模型可以有效提高用户模型训练效率,降低计算资源需求,并解决了数据规模不足与分布不均衡带来的模型性能低下的问题。