近年来，深度学习在计算机视觉领域取得了巨大进展。但深度模型的学习能力建立在足够的训练数据之上，当数据不足时将难以发挥原有的性能。然而，现实应用中的很多任务均没有足够的数据支撑训练。比如，在医疗图像识别任务中，对罕见病情的识别高度依赖专家的知识，收集大量标注的样本并不现实。因此，必须寻找手段降低模型对于数据的需求，这类任务一般被称作小样本任务。目前为止，已经有大量的小样本学习算法被提出。这些方法在思路和手段上不尽相同，大致可以分为度量学习方法、元学习方法、图方法和数据扩充方法四种。本文围绕小样本图像识别任务展开，以数据扩充为主要手段，探索并讨论了在小样本任务中借助生成样本提升分类器性能这一思路的可行性。具体地，本文通过提取有限图像中容易被忽略的信息并进行再利用，保证了生成样本的可用性与多样性，从而提升了分类器在样本受限条件下的分类性能。

本文的主要研究内容与贡献如下：

1、提出一种面向小样本识别的基于注意力机制的样本扩充算法。该算法的核心思想是将图像前景与背景特征进行分离重组，期望充分利用图像中原本低价值的背景信息对样本进行扩充，并保证生成样本的可分性与多样性。该算法以注意力机制为主要手段，利用图像掩膜将原始特征划分为前景与背景两部分，其中前景部分决定了图像的类别信息，背景部分能够与前景自由组合并不改变类别性质。分离后的特征经过交换重组可以构成新的样本，但这些样本还需通过特征融合模块进行信息整合，以保证特征空间中样本的分布足够均匀。该算法选择原型网络作为分类器，令任务中有限的带标签样本构成支持集，原型的位置由支持集样本直接决定。而当支持集通过生成的新样本实现扩充后，原型的位置将得到优化，分类性能也会因此上升。实验证明了该算法确实为传统的原型网络带来了性能的提升，在常用数据集mini-ImageNet上达到了77.48% 的准确率，与同时期算法对比达到了SOTA的水平。

2、提出一种面向小样本识别的基于变分推断的样本扩充算法。该算法的核心思想是对数据分布信息进行提取与利用，期望通过少量样本表现出的分布状态生成同类别的新样本，使得生成特征和真实特征拥有相似的分布并且在特征空间中呈聚类关系以达到伪造特征的目的。该算法的关键问题是寻找一种合理的分布表达方式，为此构造了一个低维度的隐空间，并约束同类别的样本在该空间中呈高斯分布，同时利用全连接层构成的编码器与解码器建立了特征空间与隐空间之间的相互映射关系。在隐空间中采样得到的隐向量可以映射回特征空间中，并作为对应类别的新样本参与后续的分类器训练任务，从而使分类器的分类性能更高。实验证明了本算法相比于其他同类算法在经典的小样本任务上基本取得了SOTA的性能，在mini-ImageNet数据集上取得了78.6% 的准确率。模型中各模块皆符合设计预期，具备有效性和鲁棒性。