Para abordar la degradación del rendimiento de los modelos de reconocimiento de acciones de violación debido a los cambios en las escenas operativas en las operaciones de la red eléctrica, este documento propone una Red Adaptativa de Pocas Muestras (FSA-Net). El método incorpora el aprendizaje de pocas muestras en el diseño de la red al agregar una capa de mapeo de parámetros a la red de clasificación y desarrollar un módulo adaptativo de tareas para ajustar los parámetros de la red para las escenas cambiantes. Se agrega un clasificador lineal específico de la tarea después del esqueleto, lo que permite la generación adaptativa de pesos del clasificador basados en la escena de tarea cambiante para mejorar la generalización del modelo. Además, el modelo utiliza una estrategia de congelamiento de la red base y actualiza iterativamente solo ciertos parámetros del módulo durante el entrenamiento para minimizar los costos de entrenamiento. Este enfoque aborda el desafío de actualizar iterativamente las dificultades en el modelo original, que son causadas por datos de imagen limitados después de los cambios de escena. En este documento, se utilizan 2000 muestras bajo escenarios de red eléctrica como conjunto de datos experimental; la precisión promedio de reconocimiento de acciones de violación es del 81,77% para imágenes después de cambios de escena, lo que representa una mejora del 4,58% en comparación con la red de clasificación ResNet-50. Además, la eficiencia de entrenamiento del modelo se mejora en un 40%. Los resultados experimentales muestran que el método mejora el rendimiento del modelo de reconocimiento de acciones de violación antes y después de los cambios de escena y mejora la eficiencia del modelo iterativo mediante la actualización con un tamaño de muestra más pequeño, un menor costo de diseño del modelo y un menor costo de entrenamiento.