El propósito de la segmentación semántica de pocas muestras es segmentar clases no vistas con solo unas pocas muestras etiquetadas. Sin embargo, la mayoría de los métodos ignoran la orientación de las características de bajo nivel para la segmentación, lo que conduce a resultados insatisfactorios. Por lo tanto, proponemos una red guiada por características multinivel que utiliza técnicas de redes neuronales convolucionales, que aprovecha completamente las características de cada nivel. Incluye dos diseños novedosos: (1) un módulo de refuerzo de características guiado por similitud (SRM), que utiliza características de diferentes niveles, permitiendo una orientación suficiente del conjunto de soporte al conjunto de consulta, evitando así la situación en la que se ignora alguna información de características en la computación de la red profunda, (2) un método que conecta las características de consulta en cada nivel al decodificador para guiar la segmentación, aprovechando al máximo la información local y de borde para mejorar el rendimiento del modelo. Experimentamos en los conjuntos de datos PASCAL-5 y COCO-20 para demostrar la efectividad del modelo, los resultados en la configuración de 1 muestra y 5 muestras en PASCAL-5 son del 64.7% y 68.0%, que son un 3.9% y un 6.1% más altos que el modelo base, respectivamente, y los resultados en COCO-20 también se mejoran.