在本文中，我们提出了一种通过同时利用基础类和新类训练样本学习全局类别表示的方法来解决具有挑战性的少样本学习（Few-Shot Learning, FSL）问题。在每个训练轮次中，支持集计算出的类别均值通过注册模块与全局表示进行注册，从而生成用于基于查询集计算分类损失的已注册全局类别表示。尽管采用了与现有基于元学习的方法相似的轮次训练流程，但我们的方法从一开始就引入了新类别的训练样本，这一点显著不同。为了弥补新类别训练样本不足的问题，我们开发了一种有效的样本合成策略以避免过拟合。重要的是，通过基础-新类联合训练，我们的方法可以轻松扩展到更具实际意义但也更具挑战性的FSL场景，即广义FSL（Generalized Few-Shot Learning），在这种场景下测试数据的标签空间扩展到了基础类和新类。大量实验表明，我们的方法在这两种FSL设置中都是有效的。