在机器学习应用中，学习优质特征的过程往往计算开销巨大，在数据量极少的情况下尤其难以实现。一个典型的例子是一次性学习（one-shot learning）场景，即在仅提供每个新类别一个样本的情况下，仍需准确完成预测任务。本文探讨了一种用于训练孪生神经网络（siamese neural networks）的方法，该方法采用独特的网络结构，能够自然地对输入样本之间的相似性进行排序。一旦网络完成训练，便可充分利用其强大的判别性特征，不仅将模型的预测能力推广至新的数据，还可推广至来自未知分布的全新类别。通过采用卷积神经网络架构，我们取得了优异的实验结果，在一次性分类任务上性能接近当前最优水平，显著超越了其他深度学习模型。