[目的]为解决使用深度学习技术对植物虫害识别时依赖大量训练样本的问题，本文基于元学习的思想设计一个VGG原型网络(VGG-meta learning, VGG-ML),用于在小样本背景下植物虫害种类识别。[方法]采用VGG16作为嵌入单元提取虫害样本特征与类别特征，为提高网络对于新类别的识别能力，采用训练集与测试集异域方式进行模型训练，以解决在小样本情况下植物虫害识别准确率低、新类别虫害无法识别的问题。将测试集划分为支持集(获取类原型)与查询集(样本原型),以欧式距离度量样本原型与类原型之间的相似性，从而判定样本所属类别。[结果]以公开数据集IP102中玉米、甜菜、苜蓿等11种植物的蚜虫、黏虫、跳甲等24类农业虫害图片作为训练数据，以稻纵卷叶螟、稻叶毛虫、亚洲稻螟、稻瘿蚊、稻秆蝇、稻水象甲、稻叶蝉、稻苞虫8类常见的水稻虫害作为测试数据，在5-way、1-shot与5-way、5-shot情况下VGG-ML识别准确率分别为67.98%与81.5%,与原始原型网络相比提高3.53与4.4百分点。5-way、5-shot试验与基于迁移学习的ResNet50与VGG16网络对比，准确率分别提高28.65与25.94百分点。[结论]VGG-ML在进行小样本植物虫害类型识别时有效可靠，可适用于小样本植物识别问题。