近年来,深度学习已经广泛应用于各个领域,在图像分类,目标检测等任务中取得了巨大成功。然而,深度学习是一种数据驱动的技术,需要大量的标注样本才能发挥作用。在医疗、安全领域等领域难以收集到大量完全标注的样本。为了解决上述问题,本文提出两种在小数据与弱监督的情况下,提升深度网络分类性能的方法。首先,本文提出一种任务相关的图像小样本深度学习方法。该方法可以根据查询任务,自适应地调整支持集样本的特征,从而形成任务相关的度量分类器。具体而言,通过设计一种任务相关的特征嵌入模块,引导模型充分利用任务的信息,使其对新类别上的查询任务也具有较好的泛化能力。同时,本文还引入了多种正则化方法,解决数据量严重不足带来的过拟合问题。其次,本文在图神经网络中引入一种全新的关系度量,即类别相关的图相似度关系,来有效地描述查询集样本和支持集类别之间的相似度。在此基础上,本文设计了相似度间距损失函数来对类别相关的图相似度关系进行监督。通过在查询样本和类别相似度上引入强大的正则化约束,引导图神经网络学习节点之间的正确关系。最后,本文在两个广泛应用的标准数据集上开展了大量实验。实验结果表明,本文提出的任务相关的特征嵌入模块可以有效提升模型在新类别任务上的鲁棒性。同时,类别相关的图相似度可以帮助模型在样本和类别之间建立具有区分性的关系,显著提高网络的泛化能力。