L'apprentissage à très peu d'exemples (few-shot learning) vise à entraîner un modèle à partir d'un nombre restreint d'exemples. La plupart des approches existantes apprennent un modèle à partir de représentations fonctionnelles au niveau pixel ou au niveau global. Toutefois, l'utilisation de caractéristiques globales peut entraîner une perte d'informations locales, tandis que l'usage de caractéristiques au niveau pixel peut faire perdre les sémantiques contextuelles de l'image. En outre, ces méthodes ne permettent de mesurer les relations entre les éléments qu'à un seul niveau, ce qui se révèle insuffisant et peu efficace. Si les images de requête pouvaient être correctement classées simultanément à l’aide de trois métriques de similarité distinctes au niveau local, partiel et global, les images d’une même classe seraient mieux regroupées dans un espace de caractéristiques plus restreint, produisant ainsi des cartes de caractéristiques plus discriminantes. Inspirés par cette idée, nous proposons une nouvelle méthode, appelée Part-level Embedding Adaptation with Graph (PEAG), destinée à générer des caractéristiques spécifiques à la tâche. Par ailleurs, nous introduisons une méthode de apprentissage de métriques multi-niveaux (Multi-level Metric Learning, MML), qui calcule non seulement la similarité au niveau pixel, mais aussi celle des caractéristiques partielles et globales. Des expériences étendues sur des jeux de données populaires pour la reconnaissance d’images en peu d’exemples démontrent l’efficacité de notre approche par rapport aux méthodes de pointe. Notre code est disponible à l’adresse suivante : \url{https://github.com/chenhaoxing/M2L}.