La identificación específica del emisor (SEI) consiste en extraer las características de las señales de radio recibidas y determinar los individuos emisores que generan las señales. Aunque los métodos basados en aprendizaje profundo se han aplicado de manera efectiva para SEI, su rendimiento disminuye drásticamente con un menor número de muestras de entrenamiento etiquetadas y en presencia de ruido significativo. Para abordar este problema, proponemos un esquema mejorado de aprendizaje auto-supervisado Bootstrap Your Own Late (BYOL) para explotar completamente las muestras no etiquetadas, que comprende la tarea de pretexto adoptando el concepto de aprendizaje contrastivo y la tarea de seguimiento. Diseñamos tres métodos optimizados de aumento de datos para señales de comunicación en la primera tarea para servir al concepto contrastivo. Construimos dos redes neuronales, redes en línea y objetivo, que interactúan y aprenden entre sí. El esquema propuesto demuestra la generalidad de manejar casos de muestra pequeña y suficiente en un rango amplio de 10 a 400, siendo etiquetados en cada grupo. El experimento también muestra una precisión y robustez prometedoras donde los resultados de reconocimiento aumentan en un 3-8% de 3 a 7 relación señal-ruido (SNR). Nuestro esquema puede identificar con precisión al emisor individual en un entorno electromagnético complicado.