Debido a la necesidad de recursos humanos y materiales significativos para las pruebas de resistencia a impactos, se utilizan varios enfoques de modelado para reducir estos costos. A pesar de ser informativos, los modelos de elementos finitos aún tienen la desventaja de ser que consumen mucho tiempo. Un modelo basado en datos ha demostrado recientemente su potencial en términos de eficiencia computacional, pero también enfrenta desafíos en la recopilación de una cantidad de datos. El aprendizaje de pocos ejemplos es un enfoque interesante para abordar el problema de la insuficiencia de datos en ingeniería. En este artículo, utilizando un novedoso método híbrido de aumento de datos, investigamos un enfoque de aprendizaje de pocos ejemplos basado en aprendizaje profundo para evaluar y optimizar la resistencia a impactos de estructuras multicelulares. De manera innovadora, empleamos redes neuronales amplias y profundas para desarrollar un modelo sustituto para la optimización multiobjetivo. En comparación con los resultados originales, el resultado optimizado de la estructura multicelular demuestra que la fuerza de aplastamiento media y la absorción de energía específica (SEA) aumentan en un 17.1% y un 30.1%, respectivamente, la masa disminuye en un 4.0%, y la estructura optimizada ofrece una mejora significativa en el espacio de diseño. En general, este método propuesto muestra un gran potencial en relación con el análisis y la optimización de la resistencia a impactos para estructuras multicelulares del tren de alta velocidad.