无监督少样本学习旨在从无标签数据集中学习归纳偏置，以应对新的少样本任务。现有的无监督少样本学习模型以及对比学习模型均遵循统一的范式。因此，我们在该范式下开展实证研究，发现成对对比、元损失函数以及大批次大小是关键的设计因素。基于此，我们提出了CPN（对比原型网络）模型，该模型将原型损失与成对对比相结合，在采用适度较大的批次大小的情况下，性能优于该范式下的现有模型。此外，CPN中使用的一热（one-hot）预测目标可能导致模型学习到样本特异性信息。为解决此问题，我们提出了一种基于伪类别间语义关系的Wasserstein置信度惩罚（Wasserstein Confidence Penalty），能够对过度自信的预测施加适当的惩罚。我们提出的完整模型——CPNWCP（带Wasserstein置信度惩罚的对比原型网络），在无监督设置下于miniImageNet和tieredImageNet数据集上均取得了当前最优的性能表现。相关代码已开源，地址为：https://github.com/Haoqing-Wang/CPNWCP。