领域泛化旨在在无法访问目标域的情况下提升模型对领域偏移的鲁棒性。由于可用于训练的源域数量有限，近年来的研究致力于生成具有新颖领域特性的样本。然而，现有方法在合成大量新领域时往往面临优化困难，或导致类别语义的失真。针对上述问题，本文提出一种新型领域泛化框架，通过利用特征统计信息对原始特征进行风格化，生成具备新领域属性的特征表示。为在风格化过程中保持类别信息，我们首先将特征分解为高频与低频分量；随后，基于从调控后的统计量中采样的新领域风格，对低频分量进行风格迁移，同时保留高频分量中的形状结构信息；最后，将两部分重新融合，合成具有新领域特性的特征。为进一步增强模型的领域鲁棒性，我们利用风格化后的特征，从特征层面与输出层面共同维持模型的一致性。为此，我们提出一种领域感知的监督对比损失（domain-aware supervised contrastive loss），在保证领域不变性的同时，提升类间可区分性。实验结果表明，所提出的特征风格化方法与领域感知对比损失均具有显著有效性。通过在PACS和Office-Home两个基准数据集上的定量对比，验证了本方法在性能上优于现有最先进方法。