最近深度神经网络已经在监督识别任务上取得了令人振奋的突破，但是深度神经网络要求每个类都有足够 多的且完全标注的训练数据。如何从少数训练样本中学习并识别新的类别，对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题，全面总结了现有的基于深度神经网络的少样本学习方法，涵盖了方法 所用模型、数据集及评估结果等各个方面。具体地，针对基于深度神经网络的少样本学习方法，提出将其分为四种 类别，即数据增强方法、迁移学习方法、度量学习方法和元学习的方法；对于每个类别，进一步将其分为几个子类 别，并且在每个类别与方法之间进行一系列比较，以显示各种方法的优劣和各自的特点。最后，强调了现有方法的局限性，并指出了少样本学习研究领域的未来研究方向。