Los vehículos aéreos no tripulados de reconocimiento están diseñados específicamente para estimar parámetros y procesar señales interceptadas con el propósito de identificar y localizar radares. Sin embargo, distinguir señales de llegada cuasi-simultáneas (QSAS) se ha vuelto cada vez más desafiante en entornos electromagnéticos complejos. Para abordar el problema, se propone un marco para el aprendizaje profundo de representaciones auto-supervisadas. El marco consta de dos fases: (1) preentrenar un autoencoder. Para aprender la representación de QSAS no etiquetadas, se entrena el ConvNeXt V2 para extraer características de imágenes de tiempo-frecuencia enmascaradas y reconstruir la señal correspondiente en los dominios de tiempo y frecuencia; (2) transferir el conocimiento aprendido. Para tareas posteriores, las capas del codificador se congelan, y la capa lineal se ajusta finamente para clasificar QSAS en condiciones de pocos ejemplos. Los resultados experimentales demuestran que el algoritmo propuesto puede lograr una precisión de reconocimiento promedio de más del 81% con una relación señal-ruido en el rango de -1616 dB. En comparación con las redes neuronales basadas en CNN y en Transformer existentes, el algoritmo propuesto reduce el tiempo de prueba en aproximadamente 11 veces y mejora la precisión en hasta un 21.95%.