En el campo del Meta-Learning, los métodos tradicionales para abordar problemas de aprendizaje de pocas muestras a menudo dependen de aprovechar el conocimiento previo para una adaptación rápida. Sin embargo, cuando se enfrentan a datos insuficientes, los modelos de meta-learning a menudo encuentran desafíos como el sobreajuste y las capacidades limitadas de extracción de características. Para superar estos desafíos, se propone un enfoque innovador de meta-learning basado en Diccionario Escaso y Aprendizaje de Consistencia (SDCL). La característica distintiva de SDCL es la integración de representación escasa y regularización de consistencia, diseñada para adquirir tanto conocimiento general ampliamente aplicable como metaconocimiento específico de la tarea. A través del aprendizaje de diccionario escaso, SDCL construye modelos compactos y eficientes, lo que permite la transferencia precisa de conocimiento del dominio fuente al dominio objetivo, mejorando así la efectividad de la transferencia de conocimiento. Simultáneamente, la regularización de consistencia genera datos sintéticos similares a las muestras existentes, expandiendo el conjunto de datos de entrenamiento y aliviando problemas de escasez de datos. La ventaja principal de SDCL radica en su capacidad para preservar características clave al tiempo que garantiza una generalización y robustez más sólidas. Los resultados experimentales demuestran que el algoritmo de meta-learning propuesto mejora significativamente el rendimiento del modelo en condiciones de datos de entrenamiento limitados, destacándose especialmente en tareas complejas entre dominios. En promedio, el algoritmo mejora la precisión en un 3%.