چکیده: با وجود پیشرفت‌های چشمگیر شبکه‌های عصبی عمیق در وظایف مختلف بینایی ماشین، این مدل‌ها به طور ذاتی وابستگی شدیدی به حجم عظیمی از داده‌های برچسب‌دار دارند. در بسیاری از کاربردهای عملی، جمع‌آوری چنین دادگانی بسیار دشوار، هزینه‌بر یا غیرممکن است. یادگیری با نمونه‌های محدود به عنوان راهکاری کارآمد برای حل این چالش ظهور کرده است تا مدل‌ها بتوانند مفاهیم جدید بصری را تنها با مشاهده یک یا چند نمونه معدود فرا بگیرند. با این حال، روش‌های سنتی مبتنی بر یادگیری متریک معمولاً بر روی یک فضای ویژگی منفرد در آخرین لایه شبکه تمرکز می‌کنند و از اطلاعات ارزشمند موجود در لایه‌های سطحی و میانی شبکه غافل می‌شوند که این امر منجر به افت پایداری مدل در مواجهه با جابه‌جایی‌های معنایی و نویز پس‌زمینه می‌گردد. در این پایان‌نامه، یک معماری نوین و یکپارچه مبتنی بر یادگیری متریک چندمقیاسه برای بهبود عملکرد طبقه‌بندی تصاویر با نمونه‌های محدود پیشنهاد شده است. در مدل پیشنهادی، از یک شبکه باقیمانده هجده لایه به عنوان ستون فقرات استخراج ویژگی استفاده می‌شود و برخلاف رویکردهای متداول، نقشه‌های ویژگی به صورت سلسله‌مراتبی از پنج مقطع محاسباتی مختلف شبکه استخراج می‌گردند تا ترکیبی متوازن از جزئیات ساختاری محلی و مفاهیم انتزاعی سراسری حاصل شود. به منظور غنی‌سازی بازنمایی‌ها و حذف سیگنال‌های مخرب محیطی، هر یک از این فضاهای پنج‌گانه به صورت مستقل وارد یک ماژول توجه خودکار مکانی می‌شوند که با تمرکز بر نواحی متمایزکننده شیء هدف، ویژگی‌های خالص‌تری را تولید می‌کند. در ادامه، بردارهای پیش‌نمونه به صورت مجزا در تمامی فضاهای پنج‌گانه محاسبه شده و فاصله تصویر پرسش با آن‌ها اندازه‌گیری می‌شود. در نهایت، یک ماژول ادغام فواصل با استفاده از وزن‌دهی تطبیقی و یادگیرنده، این معیارهای فواصل چندگانه را با یکدیگر ترکیب کرده و از طریق تابع بیشینه نرم، پیش‌بینی نهایی را صادر می‌نماید. برای ارزیابی کارایی مدل، آزمایش‌های گسترده‌ای بر روی دو مجموعه داده مرجع miniImageNet و FC100 انجام پذیرفت. نتایج تجربی نشان داد که مدل پیشنهادی در سناریوهای تک‌نمونه‌ای و پنج‌نمونه‌ای عملکرد بسیار موفقی ارائه داده و به ترتیب به دقت 83.15 روی miniImageNet و 62.85 درصد روی FC100 در تسک پنج‌نمونه‌ای دست یافته است که برتری تجربی آن را نسبت به روش‌های پیشین اثبات می‌کند. همچنین، مطالعات حذف انجام‌شده تایید کرد که هم‌افزایی میان استخراج چندمقیاسه و ماژول توجه، قدرت تعمیم‌پذیری مدل را به طور چشمگیری ارتقا داده و مانع از پدیده بیش‌برازش در مواجهه با کلاس‌های دیده‌نشده می‌گردد.