El reconocimiento eficiente de imágenes es importante en la gestión de cultivos y bosques. Sin embargo, enfrenta muchos desafíos, como el gran número de especies de plantas y enfermedades, la variabilidad de la apariencia de las plantas y la escasez de datos etiquetados para el entrenamiento. Para abordar este problema, modificamos un método de Aprendizaje de Pocos Ejemplos de Dominio Cruzado (CDFSL) de última generación basado en redes prototípicas y mecanismos de atención. Empleamos mecanismos de atención para realizar la extracción de características y la generación de prototipos al centrarnos en las partes más relevantes de las imágenes, luego utilizamos redes prototípicas para aprender el prototipo de cada categoría y clasificar nuevas instancias. Finalmente, demostramos la efectividad del método CDFSL modificado en varios conjuntos de datos de reconocimiento de plantas y enfermedades. Los resultados mostraron que la tubería modificada fue capaz de reconocer varios conjuntos de datos de dominio cruzado utilizando representaciones genéricas, y logró hasta un 96.95% y un 94.07% de precisión en la clasificación en conjuntos de datos con los mismos y diferentes dominios, respectivamente. Además, visualizamos los resultados experimentales, demostrando la capacidad de transferencia estable del modelo entre conjuntos de datos y la alta correlación visual del modelo con las características biológicas de las plantas y enfermedades. Además, al extender las clases de diferentes semánticas dentro del conjunto de datos de entrenamiento, nuestro modelo puede generalizarse a otros dominios, lo que implica una amplia aplicabilidad.