El alto rendimiento de las redes de aprendizaje profundo depende de conjuntos de datos grandes y recursos computacionales potentes. Sin embargo, recopilar suficientes muestras de entrenamiento de enfermedades es un desafío desalentador. Además, los modelos existentes de aprendizaje de pocos disparos tienden a sufrir de un tamaño grande, lo que dificulta su implementación en dispositivos periféricos. Para abordar estos problemas, este estudio propone un enfoque de aprendizaje de pocos disparos ligero basado en la poda (Prune-FSL), que tiene como objetivo utilizar un número muy pequeño de muestras etiquetadas para identificar clases desconocidas de enfermedades de cultivos y lograr una reducción de peso del modelo. Primero, se construyó el modelo de aprendizaje de pocos disparos de enfermedades a través de un marco de meta-aprendizaje basado en métricas para abordar el problema de la escasez de muestras. En segundo lugar, se utilizó un método de poda de adelgazamiento para recortar los canales de red por los coeficientes de la capa BN para lograr una compresión eficiente de la red. Finalmente, se diseñó una estrategia de poda de meta-aprendizaje para mejorar la capacidad de generalización del modelo. Los resultados experimentales muestran que con una reducción del 80% de los parámetros, el método Prune-FSL reduce el cálculo de Macs de 3.52 G a 0.14 G, y el modelo logró una precisión del 77.97% y 90.70% en 5 disparos de 1 vía y 5 disparos de 5 vías, respectivamente. El rendimiento del modelo podado también se comparó con otros modelos ligeros representativos, obteniendo un resultado que supera a los de cinco redes ligeras principales, como Shufflenet. También logra un rendimiento de modelo de 18 años con una quinta parte del número de parámetros. Además, este estudio demostró que la poda después del preentrenamiento disperso era superior a la estrategia de poda después del meta-aprendizaje, y esta ventaja se vuelve más significativa a medida que se reducen los parámetros de red. Además, los experimentos también mostraron que el rendimiento del modelo disminuye a medida que aumenta el número de vías y aumenta a medida que aumenta el número de disparos. En general, este estudio presenta un método de aprendizaje de pocos disparos para el reconocimiento de enfermedades de cultivos para dispositivos periféricos. El método no solo tiene un menor número de parámetros y un rendimiento más alto, sino que también supera a los estudios relacionados existentes. Proporciona una ruta técnica factible para el futuro reconocimiento de enfermedades de pequeñas muestras en condiciones de dispositivos periféricos.