As inspeções submarinas são essenciais para a manutenção de infraestru turas offshore, mas enfrentam desafios como alto custo de coleta, baixa qual idade das imagens e escassez de dados rotulados. Devido à diversidade de objetos e estruturas, modelos tradicionais são limitados, tornando técnicas que aprendem com poucos exemplos relevantes e representativos. O presente trabalho propõe um classificador de imagens voltado para inspeções submarinas utilizando a abordagem de One-Shot Learning. Essa técnica permite que modelos de aprendizado de máquina reconheçam novas classes a partir de um número extremamente limitado de exemplos, superando a limitação de conjuntos de dados escassos, comuns em aplicações submarinas. Para isso, foi utilizada uma rede neural do tipo Siamesa, capaz de aprender uma função de similaridade entre pares de imagens. O modelo foi treinado em um conjunto de imagens de inspeções submarinas contendo diferentes categorias, como ROV, dutos, flanges, manipuladores, objetos e equipamentos, e avaliado em tarefas N-way, utilizando métricas como acurácia, precisão, recall e F1-score. Os resultados demonstraram que a abordagem é eficaz na identificação de classes inéditas com desempenho competitivo, evidenciando a aplicabilidade do One Shot Learning em cenários de inspeção submarina com disponibilidade limitada de dados.