少样本命名实体识别（Few-shot Named Entity Recognition, NER）系统旨在仅依赖少量标注样本的情况下识别新型实体类别。本文提出一种分解式元学习方法，通过顺序解决少样本跨度检测与少样本实体类型识别问题，以应对少样本NER挑战。具体而言，我们将少样本跨度检测建模为序列标注任务，并引入模型无关的元学习（Model-Agnostic Meta-Learning, MAML）算法，旨在寻找一种优良的模型参数初始化，从而能够快速适应新的实体类别。针对少样本实体类型识别任务，我们提出MAML-ProtoNet，即增强型原型网络（MAML-enhanced Prototypical Networks），以学习一个更优的嵌入空间，从而更好地区分不同实体类别对应的文本跨度表示。在多个基准数据集上的大量实验结果表明，所提方法在性能上显著优于现有方法。