深度卷积神经网络的成功建立在有效卷积操作的学习基础之上，通过滤波、激活和池化等操作捕捉层次化的结构化特征。然而，在现有的CNN框架中，显式的结构化特征（如物体部件）缺乏足够的表达能力。本文针对少样本学习问题，提出通过引入星群模型（constellation model）扩展CNN架构，以增强结构化特征的表达能力：该模型采用密集部件表示，对细胞级特征进行聚类与编码，并利用注意力机制进一步建模细胞特征之间的关系。通过增加星群分支，提升对物体部件的感知能力，所提方法在保持CNN原有优势的同时，使整体内部表征在少样本学习场景下更具鲁棒性。在CIFAR-FS、FC100和mini-ImageNet三个基准数据集上的实验表明，该方法显著优于现有少样本学习方法。