Con la mejora de las capacidades de percepción basadas en el aire y en el espacio, la incorporación e integración de la aeronáutica espacial está creciendo en importancia. La conciencia total del dominio es crucial para los sistemas de percepción integrados, en los que la adaptación de dominio es uno de los problemas clave para mejorar el rendimiento de la percepción entre dominios. El aprendizaje profundo es actualmente una técnica avanzada para el reconocimiento de objetos complejos de radar de apertura sintética inversa (ISAR). Sin embargo, el procedimiento de entrenamiento requiere muchas muestras anotadas, lo cual es insuficiente para ciertos objetivos, como aeronaves. El aprendizaje de pocas muestras proporciona un nuevo enfoque para resolver el problema anterior al transferir conocimientos útiles de otros dominios, como imágenes ópticas de satélites. Sin embargo, no logra considerar completamente el cambio de dominio entre los dominios fuente y objetivo, generalmente descuidando la transferibilidad de las muestras de entrenamiento en el proceso de aprendizaje. En consecuencia, produce una precisión de reconocimiento subóptima. Para abordar los problemas compuestos mencionados anteriormente, proponemos un método de aprendizaje de pocas muestras adaptable al dominio de satélites a un ISAR llamado S2I-DAFSL para tareas de reconocimiento de aeronaves. Además, a diferencia de los métodos convencionales de adaptación de dominio que alinean directamente las distribuciones, se propone la red de ponderación de importancia transferida de atención (ATIN) para mejorar la transferibilidad en el procedimiento de adaptación de dominio. En comparación con los métodos de vanguardia, se muestra que el método propuesto logra un mejor rendimiento, aumentando la precisión y efectividad de la clasificación, lo cual es más adecuado para tareas de reconocimiento de aeronaves ISAR de pocas muestras entre dominios.