Varios microfósiles del Cámbrico temprano proporcionan pistas cruciales para entender la explosión cámbrica y el origen de los filos animales. Sin embargo, los especímenes con estructuras anatómicas importantes son extremadamente raros y la eficiencia para recuperar tales fósiles mediante la selección manual tradicional bajo un microscopio es bastante baja. Tal contradicción ha obstaculizado los avances en micropaleontología durante mucho tiempo. Aquí, proponemos una solución para identificar taxones específicos de microfósiles cámbricos utilizando solo unos pocos especímenes disponibles, transfiriendo un modelo preentrenado en conjuntos de datos de imágenes naturales al campo de la inteligencia artificial paleontológica. El método emplea una red neuronal residual profunda de 34 capas como marco subyacente, migra el modelo preentrenado de ImageNet, congela los parámetros de la red de capas bajas y vuelve a entrenar los parámetros de las capas altas para construir un modelo de reconocimiento de imágenes de microfósiles. Construimos conjuntos de entrenamiento con imágenes seleccionadas aleatoriamente de número variado para cada taxón. Nuestros experimentos muestran que la precisión media de reconocimiento para taxones específicos de microfósiles cámbricos (50 imágenes para cada taxón) es superior a 0.97 y puede alcanzar 0.85 con solo tres muestras de entrenamiento por taxón. Los análisis comparativos indican que nuestros resultados son mucho mejores que los de varios métodos prevalentes, como la red neuronal convolucional transpuesta (TCNN). Esto demuestra la viabilidad de utilizar imágenes naturales (ImageNet) para el entrenamiento de modelos de reconocimiento de microfósiles y proporciona una herramienta prometedora para el descubrimiento de fósiles raros.