少样本学习旨在利用少量数据训练深度学习模型，并将其快速泛化到新任务中．在这一领域，少样本细粒度图像分类是最具有挑战性的任务之一，原因在于细粒度图像具有类内方差大、类间方差小的特点．为了解决这一问题，本文提出了一种基于距离与方向双重度量的神经网络，分别利用欧氏距离衡量特征间的绝对距离差异和余弦相似度衡量特征间的相对方向差异，以提升度量信息多样性和样本特征的判别性．同时，为了与当前先进的少样本细粒度图像分类方法对比，将特征提取器在不增加深度的前提下设置为双路形式，以适应不同度量方法对嵌入特征信息的需要．此外，设计了彼此分离的通道和空间注意力机制，分别通过自适应通道注意力和空间信息交叉注意力对不同阶段的提取特征进行增强，从而挖掘重要分类信息．最后，通过双相似度模块分别计算两种差异信息的度量结果，并选取一定权重融合得到最终的相似度分数，实现绝对差异与相对差异在度量空间中的协调补充．在4个主流细粒度图像分类数据集上进行实验对比与分析，最终结果表明了所提方法在相同设置下最多实现了7.0%左右的分类准确率提升．