يُستخدم تصنيف الصور فوق الطيفية (HSI) في مجالات متعددة مثل الزراعة الدقيقة واستكشاف المعادن والمسح عن بعد وغير ذلك. في الماضي، اعتمدت الشبكات العصبية التلافيفية (CNN) بشكل شائع في تصنيف HSI، لكنها تواجه قيودًا في استغلال العلاقات الطيفية-المكانية، وهي عامل رئيسي في فهم الصور فوق الطيفية. وعلى الرغم من أن الهياكل العميقة للـ CNN واستخدام الشبكات ثلاثية الأبعاد (3-D-CNNs) قد عززت التخفيف من هذه المشكلة إلى حد ما، إلا أنها زادت من التعقيد الحسابي، مما يعيق استخدامها في الأجهزة المحدودة الموارد مثل أجهزة إنترنت الأشياء (IoT) وأجهزة الحوسبة الحافة. في هذه الورقة، نقترح طريقة جديدة تعتمد على مفهوم الكبسولات المصفوفية مع خوارزمية التوجيه بالتقدير-الحد الأقصى (EM)، والتي صُممت خصيصًا لاستيعاب التفاصيل الدقيقة في بيانات HSI، وبشكل فعّال لمعالجة المشكلات المذكورة أعلاه. تُمكّن وحدات الكبسولات من تحديد التوقيعات الطيفية والعلاقات الجزء-الكل في البيانات بشكل فعّال، بينما تضمن خوارزمية التوجيه بالـ EM التماثل من حيث الزاوية المرئية. تم استخدام ثلاث مجموعات بيانات ممثلة لبيانات HSI للتحقق من فعالية الطريقة المقترحة. تُظهر النتائج التجريبية أن الطريقة المقترحة تتفوق على أحدث الطرق المتطورة من حيث الدقة، مع امتلاكها لعدد مكونات نموذج أقل بـ 25 مرة، واحتياجها لمساحة تخزين أقل بـ 65 مرة على الأقل. يمكن العثور على الشفرة المصدرية على الرابط التالي: https://github.com/DeepMatrixCapsules/DeepMatrixCapsules.