Las arquitecturas de aprendizaje profundo son los métodos más efectivos para analizar y clasificar Imágenes Ultra-Espectrales (USI). Sin embargo, el entrenamiento efectivo de un clasificador de gradiente de Aprendizaje Profundo (DL) con el objetivo de lograr una alta precisión de clasificación, es extremadamente costoso y consume mucho tiempo. Requiere enormes conjuntos de datos con cientos o miles de especímenes etiquetados de expertos científicos. Esta investigación explota el algoritmo MAML++ para introducir el enfoque (MAME-ZsL). El MAME-ZsL supera las dificultades mencionadas anteriormente y puede utilizarse como un modelo potente para realizar Análisis de Imágenes Hiperespectrales (HIA). Es una novedosa arquitectura de Aprendizaje Meta-Ensamble basada en optimización, siguiendo un prototipo (ZsL). Hasta donde sabemos, se introduce por primera vez en la literatura. Facilita el aprendizaje de técnicas especializadas para la extracción de representaciones mediadas por el usuario, en arquitecturas complejas de Aprendizaje Profundo. Además, aprovecha el uso de derivadas de primer y segundo orden como métodos de pre-entrenamiento. Mejora el aprendizaje de características que no causan problemas de gradientes explosivos o disminuyentes; así, evita el posible sobreajuste. Además, reduce significativamente el costo computacional y el tiempo de entrenamiento, y ofrece una mayor estabilidad de entrenamiento, un alto rendimiento de generalización y una notable precisión de clasificación.