图像分类作为计算机视觉领域的核心任务之一，是实现图像检索、目标检测、场景理解等复杂视觉任务的基础，已成为人工智能技术落地与产业升级的重要支撑。针对小样本图像分类中依赖人工设计文本提示、模型泛化能力不足及易过拟合等问题，开展了融合可学习提示与双模态适配器的 COCLIP-Adapter 算法研究。该算法以 CLIP 为基础，设计可学习文本提示向量模块生成动态文本提示，结合双模态适配器模块优化视觉与文本特征，并采用多任务损失函数增强跨模态对齐。实验显示，ImageNet 上，COCLIP-Adapter 较 CLIP，1-shot 分类准确率提升 39.65%、16-shot 提升 10.09%；较 Tip-Adapter-F，2-16-shot 各提升 1.05%-0.26%、0.45%。Caltech101 上，较 CLIP，1-shot 提升 19.14%、16-shot 提升 2.61%；较 Tip-Adapter-F，1-16-shot 各提升 0.38%-0.48%。表明其低样本特征学习能力更强，验证了其能有效提升小样本图像分类性能，可在标注样本稀缺的实际场景中提供更可靠的技术支撑。