如今的深度学习算法，大多需要通过海量的数据集来训练神经网络，然而在很多应用场景下，获取样本十分不便，从而导致样本数据十分匮乏。而少样本学习任务的目的，则在于可以从单个或少量的训练样本中快速学习。元学习方法，通过总结抽象出不同任务之间一般化的元知识，然后将元知识快速应用到新的，未曾见过的任务上去，从而去解决少样本学习的问题。因此，本文以少样本图像分类问题为研究对象，研究如何利用元学习方法来优化度量模型，从少量图像样本中快速学习归纳。论文的主要内容如下：
　　(1)构建了元关系网络来解决少样本分类问题。采用模型无关的元学习算法，来寻找深度度量模型的最优初始化参数。从而使得深度度量模型，可以在面对新的分类任务的学习样本时，不仅仅是比较学习样本和测试样本之间的相似度，而能够进一步学习到训练样本本身之间有用的信息，并且模型的最优初始化参数可以使得算法只需要少量的梯度更新步骤，就可以接近问题的最优解。实验结果表明，经过元关系网络具有较强的泛化性能，进一步提高了在各种基准数据集上的分类精度。
　　(2)构建了元注意力查询网络来解决少样本分类问题。通过查询样本与每类中学习样本的相似系数，来获取每个类别的质心原型表征，这种表征更具有判别力。利用自注意力的结构，为每个分类任务定制一个单独的嵌入空间，这种嵌入空间对于给定的分类任务，可以获取到最有区分能力的视觉特征。最后通过点积注意力来优化模型无关自适应算法，使得算法能够对不同任务的有不同的关注程度，从而使得不同任务对模型的优化贡献有所侧重。实验结果表明，元注意力查询网络可以使学习更具有效性，进一步提高在基准集上的分类精度。