El reconocimiento de la fuente de radiación del radar es crucial para el funcionamiento fiable de los sistemas de comunicación por radar. Sin embargo, en entornos electromagnéticos cada vez más complejos, los métodos tradicionales de identificación enfrentan limitaciones significativas. Estos métodos a menudo luchan con altos niveles de ruido y diversos tipos de modulación, lo que dificulta mantener la precisión, especialmente cuando la Relación Señal-Ruido (SNR) es baja o los datos de entrenamiento disponibles son limitados. Estas dificultades se ven intensificadas por la necesidad de generalizar en entornos caracterizados por una cantidad sustancial de muestras de señal ruidosas y de baja calidad, mientras se ven limitados por un número limitado de muestras de entrenamiento de alta calidad deseadas. Para abordar de manera más efectiva estos problemas, este documento propone un enfoque novedoso que utiliza Aprendizaje Meta-Agnóstico de Modelos (MAML) para mejorar la adaptabilidad del modelo en escenarios de aprendizaje de pocas muestras, lo que permite que el modelo aprenda rápidamente con datos limitados y optimice los parámetros de manera efectiva. Además, se diseña una red neuronal de fusión multimodal, DCFANet, que incorpora bloques residuales, bloques de excitación y compresión, y una CNN multi-escala, para fusionar datos de forma de onda I/Q y datos de imagen tiempo-frecuencia para una extracción de características más completa. Nuestro modelo permite un reconocimiento de señal más robusto, incluso cuando la calidad de la señal está severamente degradada por ruido o cuando solo hay unos pocos ejemplos de un tipo de señal disponibles. Las pruebas realizadas en 13 señales moduladas intra-pulso en un entorno de Ruido Gaussiano Blanco Aditivo (AWGN) en SNRs que van desde -20 hasta 10 dB demostraron la efectividad del enfoque. En particular, en un escenario, el modelo logra una alta precisión de clasificación incluso a -10 dB SNR. Nuestra investigación destaca la capacidad del modelo para abordar los desafíos clave del reconocimiento de señales de emisores de radar en condiciones de baja SNR y escasez de datos, demostrando su fuerte adaptabilidad y efectividad en entornos electromagnéticos complejos del mundo real.