La clasificación automática de modulación (AMC) basada en aprendizaje profundo (DL) impulsado por datos puede lograr un excelente rendimiento de clasificación. Sin embargo, en el campo de las contramedidas electrónicas, es difícil extraer características destacadas de las señales de comunicación inalámbrica con muestras escasas. Con el objetivo de abordar el problema de la clasificación de modulación con muestras escasas, este documento propone un método de aprendizaje de pocos disparos utilizando una red prototípica (PN) con atención residual (RA), llamada PNRA, para lograr la AMC. En primer lugar, se utiliza RA para extraer el vector de características de las señales de comunicación inalámbrica. Posteriormente, el vector de características se mapea a un nuevo espacio de características. Finalmente, se utiliza PN para medir la distancia euclidiana entre el vector de características del punto de consulta y cada prototipo en este espacio, determinando el tipo de señales. En comparación con los métodos de aprendizaje de pocos disparos (FSL) convencionales, el PNRA propuesto puede lograr una AMC efectiva y robusta bajo condiciones de escasez de datos.