以往的少样本学习（Few-Shot Learning, FSL）研究主要局限于通用概念与类别上的自然图像，且通常假设源类别与目标类别之间具有高度的视觉相似性。相比之下，近期提出的跨域少样本学习（Cross-Domain Few-Shot Learning, CD-FSL）旨在将来自大量标注样本的通用自然图像领域知识，迁移到仅包含少量标注样本的新型领域特定类别上。CD-FSL的核心挑战在于源域与目标域之间存在巨大的数据分布偏移，这种偏移通常表现为完全不同的视觉风格。这使得直接将传统FSL方法扩展至CD-FSL任务变得极为困难。为此，本文通过扩展源数据集的风格分布来研究CD-FSL问题。具体而言，引入小波变换（Wavelet Transform），以实现对视觉表征的分解，分离出低频成分（如形状与风格）和高频成分（如纹理）。为增强模型对视觉风格的鲁棒性，本文通过交换源图像低频成分的风格进行数据增强。为此，我们提出一种新颖的风格增强模块——StyleAug，以实现该思想。此外，为进一步保证风格增强图像的预测结果与其原始版本在语义上保持一致，我们设计了一种自监督学习（Self-Supervised Learning, SSL）模块，有效避免了风格交换过程中可能出现的语义漂移问题。在两个主流CD-FSL基准数据集上的大量实验表明，所提方法具有显著有效性。相关代码与模型将公开发布。