Los avances en el aprendizaje profundo pueden abordar una variedad de problemas de visión por computadora. En particular, el aprendizaje profundo ha demostrado un alto rendimiento en el procesamiento de imágenes. Sin embargo, se requieren conjuntos de datos grandes para entrenar modelos de aprendizaje profundo. Estudios previos han abordado el problema de la escasez de datos a través de la técnica de aprendizaje de pocas muestras. Sin embargo, una desventaja de estos estudios es que se requieren conjuntos de datos grandes cuando se realizan nuevas tareas. Por lo tanto, este estudio utiliza técnicas de aumento de datos para abordar esta deficiencia. Además, proponemos un sistema de clasificación de imágenes con una técnica de aprendizaje de pocas muestras que logra una alta precisión, incluso en conjuntos de datos raros. En comparación con los modelos tradicionales de clasificación de imágenes, el sistema propuesto mejora la precisión de la clasificación en aproximadamente un 18% utilizando 100 puntos de datos.