لتحسين أداء التصنيف في سياق معالجة الصور الفائقة الطيفية، تم تطوير العديد من الأعمال العلمية استنادًا إلى استراتيجيتين شائعتين، وهما دمج المعلومات المكانية-الطيفية واستخدام الشبكات العصبية. ومع ذلك، فإن كلا الاستراتيجيتين يحتاج عادةً إلى بيانات تدريب أكثر من الخوارزميات الكلاسيكية، مما يزيد من نقص العينات المصنفة. في هذه الرسالة، نقترح إطارًا جديدًا يجمع بشكل عضوي بين نموذج التعلم العميق القائم على الطيف وخوارزمية الحقل العشوائي الشرطي. يتم إشراف نموذج التعلم العميق بواسطة خسارة المركز لإنتاج ميزات قائمة على الطيف تتجمع بشكل أكثر كثافة في الفضاء الأقليدي داخل الفئات. يتم تقديم الحقل العشوائي الشرطي مع الاحتمالات الحدية الجاوسية لأول مرة للمهام تقسيم الصور، ويتم تقديمه لتصنيف البكسل لكل بكسل في الصورة الفائقة الطيفية من خلال استخدام المسافات الجغرافية بين البكسل والمسافات الأقليدية بين الميزات التي أنتجها نموذج التعلم العميق القائم على الطيف. يتم تدريب الإطار المقترح باستخدام بكسل الطيف في مرحلة التعلم العميق القائم على الطيف ويستخدم نصف الميزات المكانية المصممة يدويًا في مرحلة الحقل العشوائي الشرطي. هذا الحل يخفف من نقص بيانات التدريب إلى حد ما. أظهرت التجارب على صورتين حقيقيتين فائقتي الطيف أن للطريقة المقترحة مزايا فيما يتعلق بدقة التصنيف وتكلفة الحساب.