多数の少サンプル画像分類手法は、タスクに基づいて学習される。通常、これらのタスクはラベル付き画像が多数存在するベースクラス（base classes）に基づいて構築されるが、これには多大な作業が伴う。一方、教師なし少サンプル画像分類手法はラベル付き画像を必要とせず、タスクをラベルなし画像の上に構築すればよい。ラベルなし画像から効率的にタスクを構築するため、本研究では新たな単段階クラスタリング手法「学習された特徴をクラスタリング空間に埋め込む（Learning Features into Clustering Space; LF2CS）」を提案する。本手法は、クラスタ中心を固定して分離可能なクラスタリング空間を事前に設定し、その後、学習可能なモデルを用いて特徴をその空間に学習させる。このLF2CSを基盤として、画像サンプリングとc-way k-shotタスクの構築手法を提案する。これにより、学習可能なモデル、クラスタリング、および少サンプル画像分類を統合的に学習する新たな教師なし少サンプル画像分類手法を構築した。実験および可視化結果から、本手法が新しいカテゴリへの汎化能力に優れていることが示された。画像サンプリングの観点から、タスクの構築方法に応じて4つのベースラインを実装した。Conv-4およびResNet-12をバックボーンとして、Omniglot、miniImageNet、tieredImageNet、CIFARFSの各データセット上で実験を実施した。実験結果から、本手法は最先端手法を上回る性能を達成した。