Bekannte Methoden auf Basis von Meta-Learning prognostizieren Labels für neue Klassen bei Testaufgaben im Zielbereich (target domain) mithilfe von Meta-Wissen, das aus Trainingsaufgaben im Quellbereich (source domain) basierend auf Basis-Klassen gelernt wurde. Allerdings können die meisten bestehenden Ansätze aufgrund möglicherweise großer Domänenunterschiede zwischen den Bereichen versagen, wenn sie auf neue Klassen generalisiert werden müssen. Um dieses Problem anzugehen, schlagen wir eine neuartige adversarische Merkmalsverstärkung (adversarial feature augmentation, AFA) vor, um die Domänenlücke im Few-Shot-Lernen zu schließen. Die Merkmalsverstärkung ist darauf ausgelegt, Verteilungsvariationen zu simulieren, indem der Domänenunterschied maximiert wird. Während des adversarischen Trainings lernt der Domänen-Detektor, die verstärkten Merkmale (unbekannter Bereich) von den ursprünglichen Merkmalen (bekannter Bereich) zu unterscheiden, während gleichzeitig der Domänenunterschied minimiert wird, um den optimalen Merkmals-Encoder zu ermitteln. Die vorgeschlagene Methode ist ein plug-and-play-Modul, das problemlos in bestehende Few-Shot-Lernmethoden auf Basis von Meta-Learning integriert werden kann. Umfassende Experimente auf neun Datensätzen belegen die Überlegenheit unseres Ansatzes gegenüber dem Stand der Technik bei der Cross-Domain-Few-Shot-Klassifikation. Der Quellcode ist unter https://github.com/youthhoo/AFA_For_Few_shot_learning verfügbar.