La clasificación de imágenes de pocas muestras tiene como objetivo clasificar muestras no etiquetadas cuando solo hay disponible un pequeño número de muestras etiquetadas para cada clase. Recientemente, los métodos de aprendizaje de pocas muestras basados en características locales han avanzado significativamente. Sin embargo, los métodos existentes a menudo tratan a todos los descriptores locales por igual, sin considerar la importancia de cada descriptor local en diferentes tareas. Por lo tanto, el modelo de aprendizaje de pocas muestras es fácilmente perturbado por características no relevantes para la clase, lo que resulta en una disminución en la precisión. Para abordar este problema, proponemos una red de rectificación de características locales orientada a la tarea (TLFRNet) con dos módulos de rectificación de características (módulo de rectificación de soporte y módulo de rectificación de consulta). El primer módulo utiliza la relación entre cada descriptor local y prototipos dentro del conjunto de soporte para rectificar las características de soporte. El segundo módulo utiliza una CNN para rectificar los tensores de similitud entre las características locales de consulta y soporte y luego modela la importancia de las características locales de consulta. A través de estos dos módulos, nuestro modelo puede reducir efectivamente la variación intraclase de las características relevantes para la clase, obteniendo así una mayor similitud de imagen a clase para la clasificación. Experimentos extensos en cinco conjuntos de datos muestran que TLFRNet logra un rendimiento de clasificación más superior que los métodos relacionados.