我们提出原型网络（prototypical networks）来解决少样本分类问题，即在仅提供每个新类别少量样本的情况下，要求分类器能够泛化到训练集中未见过的新类别。原型网络通过学习一个度量空间，在该空间中可通过计算各类别原型表示与样本之间的距离来进行分类。相较于近期的少样本学习方法，原型网络具有更简单的归纳偏置，在数据有限的场景下表现出显著优势，并取得了优异的性能。我们进一步分析表明，一些简单的设计选择即可在性能上显著超越那些依赖复杂网络结构和元学习机制的近期方法。此外，我们将原型网络扩展至零样本学习任务，在CU-Birds数据集上取得了当前最优（state-of-the-art）的结果。