数据增强是提升现代机器学习模型准确率最有效的方法之一，同时也是训练用于元学习的深度模型所不可或缺的手段。本文提出一种基于旋转的任务增强方法，通过将原始图像分别旋转90°、180°和270°，从而增加类别数量，这与传统增强方法通过增加图像数量来提升数据多样性的策略不同。由于类别数量的增加，我们在训练过程中能够采样到更具多样性的任务实例。因此，基于旋转的任务增强方法使得我们能够采用元学习策略训练深层网络，同时有效抑制过拟合。实验结果表明，该方法在提升类别数量方面优于传统的图像旋转增强策略，并在miniImageNet、CIFAR-FS和FC100等少样本学习基准测试中取得了当前最优的性能表现。相关代码已公开，可通过 \url{www.github.com/AceChuse/TaskLevelAug} 获取。