少样本分类因其依赖少量标注样本而带来的不确定性，成为一个具有挑战性的问题。近年来，众多方法被提出，其共同目标是将先前任务中获得的知识进行迁移，通常通过使用预训练的特征提取器来实现。沿袭这一思路，本文提出一种新型的基于迁移学习的方法，旨在对特征向量进行处理，使其分布更接近高斯分布，从而提升分类准确率。在归纳式少样本学习（transductive few-shot learning）场景下，当训练阶段可获得未标注的测试样本时，我们进一步引入一种受最优传输（optimal transport）启发的算法，以进一步提升模型性能。通过在标准视觉基准数据集上的实验，我们验证了所提出方法在多种数据集、主干网络架构及少样本设置下，均能实现当前最优的分类准确率。