El sistema de interfaz cerebro-computadora basado en presentación visual rápida en serie (RSVP-BCI) logra el reconocimiento de imágenes objetivo mediante la extracción de características de potenciales relacionados con eventos (ERP) de señales de electroencefalograma (EEG) y luego construyendo modelos de clasificación de objetivos. Actualmente, cómo reducir el tiempo de entrenamiento y calibración para modelos de clasificación en diferentes sujetos es un problema crucial en la aplicación práctica de RSVP. Para abordar este problema, se propuso en este estudio un método de cero calibración (ZC) denominado Attention-ProNet, que implica meta-aprendizaje con una red prototipo que integra múltiples mecanismos de atención. En particular, se utilizaron mecanismos de atención a múltiples escalas para una extracción eficiente de características de EEG. Además, se introdujo un mecanismo de atención híbrido para mejorar la generalización del modelo, y se hicieron intentos de incorporar métodos adecuados de aumento de datos y selección de canales para desarrollar un algoritmo de modelo de decodificación ZC RSVP-BCI innovador y de alto rendimiento. Los resultados experimentales demostraron que nuestro método logró un equilibrio de precisión (BA) del 86.33% en la tarea de decodificación para nuevos sujetos. Además, la selección adecuada de canales y los métodos de aumento de datos mejoraron aún más el rendimiento de la red al proporcionar un aumento adicional del 2.3% en BA. El modelo generado por la red prototipo de meta-aprendizaje Attention-ProNet, que incorpora múltiples mecanismos de atención, permite la decodificación eficiente y precisa de nuevos sujetos sin necesidad de recalibración o reentrenamiento.