近几年,随着深度学习的快速发展,小样本学习已经逐渐成为当前的研究热点,在医疗、稀有物种等领域具有非常好的场景和应用潜力。小样本识别旨在从一张或者只有少数几张图像中学习有关物体类别的信息,其最大的挑战是当前大多数小样本识别模型的准确率较低,仍然有较大的提升空间。为了有效地提高小样本识别的准确率,本文利用元学习的思想,对基于度量学习与数据增强的小样本识别算法进行研究。主要研究成果如下:（1）针对当前基于度量学习的小样本识别模型存在的特征提取不充分、度量函数难以充分地融合特征等问题,本文提出了一种端到端的、基于度量学习的小样本识别模型,叫做基于特征融合与特征加权的多尺度决策网络（MSDN）。首先,使用特征提取网络提取图像的多尺度特征,有效地利用每一层的特征信息。然后,利用关系网络改进特征拼接的方式,引入特征融合与特征加权等方法,对支持集和查询集特征的相似度进行度量。最终,MSDN在Omniglot和miniImageNet数据集上均取得了比流行的小样本识别模型更好的识别结果。（2）针对小样本识别模型因缺乏数据存在的过拟合问题,本文使用生成式对抗网络（GAN）生成高质量图像,增加小样本识别的训练实例。当前,传统的卷积GAN平等地对待空间和通道方向的特征,这导致网络提取的特征无法捕获关键信息。为了解决这个问题,本文提出了一种基于卷积块注意力组件的生成式对抗网络（CBAM-GAN）。CBAM-GAN在一些卷积操作之后添加卷积块注意力组件（CBAM）,以重新调整空间和通道方向的特征,增强显著区域并提取更多特征细节。在MNIST和CIFAR-10数据集上的图像生成对比实验表明,与传统的卷积GAN相比,CBAM-GAN可以有效地提高生成图像的质量。最后,利用CBAM-GAN生成一批miniImageNet图像来扩充小样本数据集,也一定程度上提高了小样本识别的准确率。（3）在使用CBAM-GAN进行数据增强的工作中,小样本识别的准确率提升较为有限。这主要是因为利用CBAM-GAN会生成少量噪声图像,带来识别增益的损耗。为了解决这个问题,本文提出了一种基于CBAM-GAN的渐进式数据生成网络（Progressive CBAM-GAN）。首先,对CBAM-GAN网络架构进行改进,进一步增强生成器的生成能力。然后,使用质量分网络自动地筛选出高质量的图像,减少噪声图像对识别准确率的影响。在miniImageNet数据集上的图像生成对比实验表明,Progressive CBAM-GAN生成的图像质量比CBAM-GAN有更大的提升。最后,将生成图像加入小样本数据集中训练,也进一步提高了小样本识别的准确率。