小篆是中国最早统一的标准化汉字,并随着朝代发展在中国历史上演变出多种字形和书写风格,它对现代汉语的发展起着重要作用。此外,它涵盖了自甲骨文以来先秦古文字的完整结构模式,对中国古代语言学的研究也具有独特价值。尽管目前已有许多先进的深度学习模型用于检测和识别各种古代文字,但小篆识别依旧存在以下挑战:（1）不同朝代的小篆在风格和笔画方面存在巨大差异,且不同风格的小篆在类别上存在数量差异。如《说文解字》收集了9353个小篆和1163个小篆变体,但方正小篆只有5555个类别,其他风格的小篆则只有3805个类别。（2）小篆虽然也有汉字部首结构,但其无结构/半结构的象形部首使其与现代汉字差异巨大。因此,小篆识别任务不可避免地面临着风格迁移和小样本学习的挑战。针对上述挑战,本文结合汉字字根结构序列学习,开展小篆小样本识别方法研究。本文的主要工作与贡献如下:（1）针对小篆风格众多且样本不均衡的问题,第三章提出了风格无关的小篆字根结构序列学习方法,实现小篆的小样本识别。利用不同风格小篆结构一致性,实现多种风格与标准风格小篆的风格迁移学习,从不同风格小篆图片中学习到共性空间结构和字根部首信息。（2）针对小篆象形部首无结构化/半结构化的问题,第四章进一步提出了基于小篆和繁体象形表示学习的小样本小篆识别模型。利用小篆和繁体间象形关系,通过对小篆与繁体同时编码,约束两者部首特征一致,使提取的象形表示部首特征既可忽略小篆风格与冗余的象形信息,又可获取繁体结构化信息,实现从象形到结构化部首的过度,促进小篆汉字字根结构序列生成及小篆小样本识别。实验表明,本文的两种方法对未知风格和未知类别的小篆都有较好的小样本识别能力,其识别准确率优于现有方法。