由于标注样本的稀缺性，支持集和查询集之间的样本差异性成为小样本分割任务的主要障碍。大多数现有的基于原型的方法只利用支持特性中的原型信息，而忽略了查询样本中的信息，因此未能消除这一障碍。本文从一个新的角度来处理小样本语义分割问题，并提出了双原型网络。该模型不仅利用从支持集中提取的原型，也利用从查询图像的前景特征中构建的伪原型。为了实现这一目标，本文引入了循环比较模块，通过选择出置信度的前景特征来生成可靠的伪原型。然后，根据原型与伪原型的底层关联关系，原型交互模块将原型与伪原型的信息进行整合。最后，模型又引入多尺度融合模块，在原型(伪原型)与查询特征密集比较过程中捕获上下文信息。在两个基准数据集上进行的大量实验表明，该方法的性能以较大的幅度超过了以前的方法，验证了所提出方法的有效性。