少样本目标检测（Few-shot object detection, FSOD）旨在通过少量标注样本增强对新目标的检测性能。为了缓解样本数量有限的问题，提高所学特征在新目标上的泛化能力至关重要。因此，FSOD的特征学习过程应更加关注目标的内在特性，这些特性在不同的视觉变化下保持不变，从而有助于特征的泛化。与以往元学习范式的方法不同，本文探讨了如何增强跨不同目标类别普遍适用的目标特征的内在特性。我们提出了一种新的原型——通用原型（universal prototype），该原型是从所有目标类别中学习得到的。除了能够表征不变特性外，通用原型还减轻了类别不平衡的影响。在使用通用原型增强目标特征之后，我们引入了一致性损失来最大化增强特征与原始特征之间的一致性，这有利于学习不变的目标特性。因此，我们开发了一个基于通用原型的新少样本目标检测框架（{FSOD}^{up}），该框架具有对新目标进行特征泛化的优点。实验结果表明，在PASCAL VOC和MS COCO数据集上，{FSOD}^{up}的有效性得到了验证。特别是在VOC Split2的1-shot情况下，{FSOD}^{up}在mAP指标上比基线方法提高了6.8%。