El alto rendimiento de las redes de aprendizaje profundo se basa principalmente en datos masivos. Sin embargo, recolectar suficientes muestras de enfermedades de cultivos es impráctico, lo que limita significativamente el diagnóstico inteligente de enfermedades. En este estudio, proponemos el Aprendizaje de Pocas Muestras basado en la Red de Fusión Métrica Heterogénea (HMFN-FSL), que tiene como objetivo reconocer enfermedades de cultivos con categorías no vistas utilizando solo un pequeño número de muestras etiquetadas. Específicamente, se incrustó CBAM (Módulo de Atención de Bloque Convolucional) en los codificadores de características para mejorar la capacidad de representación de características. En segundo lugar, se construyó una red de aprendizaje de pocas muestras mejorada, es decir, HMFN-FSL, fusionando tres redes métricas (Prototypical Network, Matching Network y DeepEMD (Distancia de Transporte Terrestre Diferenciable)) bajo el marco de meta-aprendizaje, lo que resuelve el problema de la precisión insuficiente de un solo modelo métrico. Finalmente, se optimizaron estrategias de pre-entrenamiento y meta-entrenamiento para mejorar la capacidad de generalización a nuevas tareas en meta-testing. En este estudio, se utilizaron dos conjuntos de datos llamados Plantvillage y Field-PV (que cubren 38 categorías de 14 cultivos y contienen 50,403 y 665 imágenes, respectivamente) para extensas comparaciones y experimentos de ablación. Los resultados muestran que el HMFN-FSL propuesto en este estudio supera a las redes métricas originales y a otros métodos de FSL de última generación. HMFN-FSL logra una precisión del 91.21% y 98.29% para el reconocimiento de enfermedades de cultivos en las tareas 5way-1shot y 5way-5shot en el conjunto de datos Plantvillage. La precisión se mejora en un 14.86% y 3.96%, respectivamente, en comparación con el método de última generación (DeepEMD) en trabajos anteriores. Además, HMFN-FSL sigue siendo robusto en el conjunto de datos de escenas de campo (Field-PV), con precisión promedio de reconocimiento del 73.80% y 85.86% en las tareas 5way-1shot y 5way-5shot, respectivamente. Además, la variación de dominio y la granularidad fina afectan directamente el rendimiento del modelo. En conclusión, el método de pocas muestras propuesto en este estudio para el reconocimiento de enfermedades de cultivos no solo tiene un rendimiento superior en escenas de laboratorio, sino que también sigue siendo efectivo en escenas de campo. Nuestros resultados superan los trabajos relacionados existentes. Este estudio proporcionó referencias técnicas para el posterior reconocimiento de enfermedades de pocas muestras en entornos complejos en el campo.