تصنيف الصور بنماذج قليلة يهدف إلى تصنيف فئات غير مُشاهدة باستخدام عينات مُصنفة محدودة. الأبحاث الحديثة تستفيد من عملية التعلم الميتا (التعلم المتقدم) مع مهام متكررة وقادرة على التكيف السريع مع الفئات من التدريب إلى الاختبار. نظرًا لعدم وجود عدد كبير من العينات لكل مهمة، فإن شبكة التضمين الأولية للتعلم الميتا تصبح عنصرًا أساسيًا ويمكن أن تؤثر بشكل كبير على الأداء في التطبيق العملي. لهذا الغرض، تعتمد معظم الطرق الحالية بشكل كبير على شبكة تضمين فعالة. بسبب عدم وجود بيانات مُصنفة كافية، يتم تقييد حجم شبكة التضمين عند استخدام طريقة التعلم الإشرافي (SL)، مما يصبح نقطة ضعف في طرق التعلم بنماذج قليلة. في هذا البحث، اقترحنا تدريب شبكة تضمين أكثر تعميمًا باستخدام التعلم الذاتي الإشرافي (SSL) التي يمكنها توفير تمثيل ثابت للمهام اللاحقة من خلال التعلم من البيانات نفسها. قدمنا تقييمًا لمجهودنا عبر مقارنات واسعة النطاق مع الطرق الأساسية السابقة على مجموعة بيانات تصنيف بنماذج قليلة ({\em أي} MiniImageNet و CUB) وحققنا أداءً أفضل منها. اختبارات على أربع مجموعات بيانات في تصنيف التعلم بنماذج قليلة بين المجالات المختلفة أظهرت أن الطريقة المقترحة حققت نتائج رائدة وأثبتت أيضًا صلابة النموذج المقترح. الرمز البرمجي متاح على \hyperref[https://github.com/phecy/SSL-FEW-SHOT.]{https://github.com/phecy/SSL-FEW-SHOT.}