随着近几年深度学习的火热,人们对未来人工智能世界的期待越来越大,并且越来越多的优秀的神经网络模型浮出水面,使得图像分类、人脸识别、语音识别等等一些人工智能项目变得简单。然而这些模型需要大量的数据作为训练模型的基础,对于一些样本难以大量采集、或样本数量很少的情况下,则需要一种新的思路去解决。所以本文针对少量样本的问题,提出一种带有记忆扩增的神经网络,该网络具有参数少、识别速度快、“端到端”结构完整等特点,能够充分利用已有的图像,在少量样本的情况下,获得相比传统神经网络更高的图像识别效果。本文基于神经网络特征在度量学习方面的研究,提出一种比对网络,用一组带有标记的特征去识别一个不带标记的样本。创新点在于:引入注意核机制,将记忆扩增矩阵与传统神经网络相结合,形成全新的神经网络架构;提出了如何获取记忆扩增矩阵的方法;并针对比对网络的输出,设计对应的loss函数来达到训练网络参数的目的;最后提出一整套训练、获得比对网络的完整流程。比对网络是在传统的神经分类网络上做进一步的度量学习,所以其识别的效果要优于传统神经网络。在实验章节中,本文运用了四种不同特点的数据集来测试比对网络,有样本数极少的数据集,也有样本数相对充足的数据集。从每个类别的识别率比较,存在传统神经网络识别正确而比对网络识别错误的少数情况,并给出了错误分析。从总体的识别率分析,比对网络的识别结果均比传统神经网络有明显的提升。