近年来深度学习快速发展,在学术界和工业界成为研究和应用的热门领域。随着深度学习网络参数量的增大,对训练数据的需求也越来越高。然而在一些实际应用领域中,数据采集难、标注成本高和隐私政策等因素的限制,使得传统深度学习方法需要尽可能地减少对数据的依赖。因此少样本学习成为了当前的学术热点,该方法的目标是只利用少量的训练数据样本来获得较好的学习效果。少样本学习可以分为基于优化学习和基于度量学习两个视角。本文分别从少样本学习的这两个视角出发,分析各自分支的缺点,在少样本图像分类领域提出了基于参数生成优化的少样本学习方法和基于动态知识路径学习的少样本学习方法。本文首先针对基于优化的少样本分类方法进行研究。已有方法通常假设任务来源于同一任务分布,并通过在分布上采样一系列相似任务来训练模型,从而找到对任务分布敏感的模型参数。然而这类方法对所有任务均产生相同的参数优化起点,没有考虑到任务的特性且当任务分布发生变化时现有的参数起点难以获得满意的优化效果。因此,本文提出了一种基于参数生成优化的少样本学习方法从而能够为不同的任务产生更优的模型参数起点。具体来说,外部基于编码-解码结构的参数生成器通过考虑任务特性和辅助信息为不同的任务类别产生不同的模型参数起点。在内部学习器中,我们基于梯度下降更新法对具体任务进行模型参数优化。最终本方法将更新结果返回至外部生成器进行梯度交互,训练模型产生更优的模型参数起点。本方法在真实数据集上同10个基于优化的少样本学习方法进行比较,在5-shot和1-shot分类准确率分别提升了约2%和约10%。其次,本文针对基于度量学习的少样本分类方法进行研究。已有方法主要侧重于如何从有限的训练样本中尽可能的挖掘有用知识而忽略了知识学习的顺序性。本文受人类学习的启发,在学习过程中人们选择有用的知识并遵循学习路径以提高自身的学习能力。因此,本文提出了基于动态知识路径学习的少样本学习方法来引导少样本任务通过合适的学习路径来学习有用的知识。具体来说,在动态路径构建模块中,我们同时考虑了知识的重要性、方向性和多样性,提出了一种全新的动态路径学习策略。此外,在知识路径传播模块中,我们设计了一个新的学习器,该学习器可以帮助每个类别按照学习路径一步步地吸收知识。本方法在四个图像数据集上同20个少样本学习方法进行比较,从实验和可视化方面均证明了本模型的有效性。