Las redes de reconstrucción de mapas de características (FRN) han demostrado un potencial significativo al aprovechar la reconstrucción de características. Sin embargo, el proceso típico de FRN da lugar a dos problemas notables. En primer lugar, FRN muestra una alta sensibilidad al ruido, especialmente al ruido ambiental, lo que puede provocar errores de reconstrucción sustanciales y dificultar la capacidad de la red para extraer características significativas. En segundo lugar, FRN es particularmente vulnerable a los cambios en la distribución de datos. Debido a la naturaleza detallada de los datos de entrenamiento, el modelo es altamente susceptible al sobreajuste, lo que puede comprometer su capacidad para extraer representaciones de características efectivas cuando se enfrenta a nuevas clases. Para abordar estos desafíos, este artículo propone un módulo de selección de características principales (MFSM), que suprime la interferencia del ruido de las características y mejora la capacidad discriminativa de las representaciones de características a través del análisis de componentes principales (PCA). Experimentos extensos validan la efectividad de MFSM, revelando mejoras sustanciales en la precisión de clasificación para tareas de clasificación de imágenes detalladas de pocos disparos (FSFGIC).