El aprendizaje profundo ha florecido en tareas supervisadas a gran escala. Sin embargo, en muchas condiciones prácticas, los datos etiquetados ricos y disponibles son un lujo. Por lo tanto, el aprendizaje de pocas muestras (FSL) ha recibido recientemente un gran interés y ha logrado un progreso significativo, que puede aprender nuevas clases a partir de varias muestras etiquetadas. El enfoque avanzado de calibración de distribución estima la distribución real de las clases de pocas muestras reutilizando las estadísticas de datos auxiliares. Sin embargo, todavía existe una discrepancia significativa entre las distribuciones estimadas y las distribuciones reales, y los hiperparámetros configurados artificialmente no pueden adaptarse a diferentes escenarios de aplicación (es decir, conjuntos de datos). Este documento propone un marco de calibración de distribución autoadaptativo basado en prototipos para estimar con precisión la distribución real y la optimización autoadaptativa de hiperparámetros para diferentes escenarios de aplicación. Específicamente, el método propuesto se divide en dos componentes. El mecanismo representativo basado en prototipos es para obtener y utilizar más información global sobre las clases de pocas muestras y mejorar el rendimiento de clasificación. El algoritmo de optimización de hiperparámetros autoadaptativo busca hiperparámetros robustos para la calibración de distribución de diferentes escenarios de aplicación. Los estudios de ablación verifican la efectividad de los diversos componentes del marco propuesto. Se realizan enormes experimentos en tres benchmarks estándar como ImageNet, CUB-200-2011 y CIFAR-FS. Los resultados competitivos y las visualizaciones convincentes indican que el marco propuesto logra un rendimiento de vanguardia.