现有的少样本分类方法通常首先基于大规模标注数据集学习一种通用的数据表征，随后在仅提供少量标注样本的情况下，将该表征适应至新类别。在本研究中，我们提出了一种基于特征选择的新策略，相较于以往的特征适应方法，该方法更为简洁且效果更优。首先，我们通过训练一组语义上各不相同的特征提取器，构建一个多领域表征。随后，在面对一个少样本学习任务时，利用所构建的多领域特征库，自动选择最相关的表征。实验表明，基于此类特征构建的简单非参数分类器能够实现高精度，并具备良好的跨域泛化能力，能够在训练过程中未见过的领域上保持优异性能，从而在MetaDataset数据集上取得当前最优结果，并在mini-ImageNet数据集上进一步提升了分类准确率。