大多数基于图网络的元学习方法仅建模样本之间的实例级关系。本文进一步拓展这一思路，提出显式建模单个样本与所有其他样本之间的分布级关系，采用1对N的方式进行建模。为此，我们提出一种新型方法——分布传播图网络（Distribution Propagation Graph Network, DPGN），用于少样本学习。DPGN能够在每个少样本学习任务中同时捕捉分布级关系与实例级关系。为融合所有样本的分布级关系与实例级关系，我们构建了一个双完全图网络结构，该结构包含两个子图：点图（point graph）与分布图（distribution graph），其中每个节点代表一个样本。得益于双图架构，DPGN能够在多个更新迭代中，将已标记样本的标签信息有效传播至未标记样本。在多个少样本学习基准测试上的大量实验表明，DPGN在监督设置下相比当前最先进方法显著提升5%～12%，在半监督设置下提升幅度达7%～13%。代码将随后公开。