我们提出了一种概念上简单、灵活且通用的少样本学习框架，该框架要求分类器在每个类别仅有少量样本的情况下学会识别新类别。我们的方法称为关系网络（Relation Network, RN），是从零开始端到端训练的。在元学习过程中，它学会了学习一种深度距离度量，用于在每个模拟少样本设置的episode中比较少量图像。一旦训练完成，关系网络能够通过计算查询图像与每个新类别的少量示例之间的关系分数来对新类别的图像进行分类，而无需进一步更新网络。除了在少样本学习任务中提供改进的性能外，我们的框架还容易扩展到零样本学习任务。广泛的实验表明，在五个基准数据集上的测试结果证明了我们这一简单方法在这两个任务中均具有统一且有效的性能。