近年来,随着计算设备算力的提升、高质量数据集的构建以及先进模型和算法的提出,人工智能逐步缩小了与人类的差距,并在多个领域击败了人类。在人工智能的发展过程中,深度学习扮演着至关重要的角色。令人遗憾的是,深度学习模型的优异表现需要有大规模数据做支撑,这阻碍了该类技术在现实生活中的应用。如何让深度学习模型从数量有限的数据中提取有效信息并具有较高的泛化能力,这一问题促使学者们提出了少样本学习。学者们针对少样本图像分类任务进行了大量研究实验。虽然多年来少样本图像分类方法的性能在不断提升,但是仍存在一些不足。首先,大多数方法直接将图像送入卷积神经网络（CNN）以获取特征,没有充分挖掘图像本身所蕴含的重要信息。其次,现有的许多方法都忽视了对模型中度量模块的改进,仍局限于使用余弦距离函数和多层感知机（MLP）。本文提出了一种基于空频结合的少样本图像分类模型（CSF）,该模型通过自注意力机制来充分利用图像的空域及频域信息,提高分类性能。具体来说,CSF模型首先通过离散余弦变换（DCT）来获得图像的频域表示,然后分别训练了两个CNN来获取图像的空域及频域特征,在训练过程中加入了自监督学习和正则化技术以提高特征的质量。接着,通过Transformer结构中的自注意力机制来处理标记样本与未标记样本的双域特征,以有效利用它们之间的互补性。最后,利用余弦距离函数和MLP获得了分类结果。为了验证模型的有效性,本文在mini Image Net、CUB和CIFAR-FS三个不同数据集上进行了仿真实验。实验结果表明CSF模型的分类性能优于对比模型。同时本文还进行了消融实验以验证模型设计的合理性。虽然CSF模型的分类性能良好,但其中的度量模块仍没有改进。为此本文提出了一种基于非负表示的少样本分类模型（NRC）。具体来说,NRC模型采用了与CSF模型相同的特征提取方式。在提取出图像特征后,该模型先对特征进行预处理以使其更适应之后的分类工作,然后便是利用基于非负表示的分类算法获得分类结果。此外,为了适应转导式设置,该模型中加入了拉普拉斯约束和类原型更新,以利用未标记样本间的信息。通过在三个常用数据集上的仿真实验,NRC模型在两种实验设置下都表现出了良好的性能,并且在转导式设置下对未标记样本不均匀这一情况具有鲁棒性。此外,NRC模型在减少神经网络参数量的情况下取得了与CSF模型相当的分类性能,证明其更有实际应用价值。