深度卷积神经网络（Deep Convolutional Neural Network）通常使用大量监督数据进行学习。然而一些计算机视觉应用存在人工标注昂贵、数据量稀少等问题,无法直接使用传统的深度卷积神经网络进行学习。因此,研究小样本学习问题对计算机视觉应用落地的推动具有极为重要的意义。本文对小样本学习算法中现存的领域限定的小样本学习产生强归纳偏置问题,以及单领域数据集上设计更好的深度网络结构提高图像特征提取利用效率问题进行了详细研究,最后在应用层面上对无标记数据的自动标注问题进行了研究。1)学习单一分布的小样本数据可能导致过强的归纳偏置（Inductive Bias）,模型难以学习通用的分类方法,不能对其他分布数据进行有效的迁移推理。本文基于元学习中优化的思想提出了领域适应（Domain Adapted）小样本算法RelationMAML,该算法利用MAML算法生成领域适应的神经网络权重,同时利用该权重通过关系网络对新领域数据进行相似度回归和分类,减轻模型的强归纳偏置问题。该方法可以学习上下文语义生成适应数据的权重,以放松训练数据同分布的假设。在实验中,通过与几种小样本学习方法在单领域数据集与自建多领域数据集Mix Meta Dataset上对比,证明了该方法在多分布数据集以及单分布数据集上都具有较好的效果。2)在图像分类问题中,神经网络结构决定图像特征提取能力,然而在当前小样本模型中,尚未有许多工作研究使用复杂深度模型进行小样本学习,单分布数据上的小样本模型依旧有待提高,因此本文在单分布数据集条件下,为基于度量的小样本模型设计了利用自注意力机制与降维激活（Squeeze and Excitation）进行特征处理的三种网络结构,该算法以Relation Net与Vi T模型为基本结构,自适应采集重要特征序列学习比较特征相似度,对单领域小样本数据进行准确分类。另外,设计了用于学习多领域数据的基于多任务的元学习损失函数。实验在单分布与多分布数据集上均得到了良好的表现,通过对比现有小样本算法,证明该结构的有效性。3)针对人工数据标注成本高、缺乏专家经验等问题,本文利用提出的算法为无专家经验时扩展标注新领域数据,以及单领域的有监督数据扩展新类别数据的两类场景,设计了基于Qt的简单自动数据标注的原型工具,可以进行可视化的自动数据标注,方便用户利用无标记数据扩展数据集。