深度学习技术在高光谱图像（Hyperspectral Image, HSI）分类任务中取得了显著进展。当前基于深度学习的HSI分类方法普遍采用基于图像块（patch-based）的学习框架，即将图像划分为重叠的局部图像块进行处理。然而，这类方法属于局部学习范式，存在计算开销大的问题。为此，本文提出一种快速无块全局学习（Fast Patch-Free Global Learning, FPGA）框架，用于提升HSI分类的效率与性能。在FPGA框架中，采用基于编码器-解码器结构的全卷积网络（FCN）对整幅图像进行处理，从而有效捕捉全局空间信息，实现快速推理。然而，直接将编码器-解码器结构的FCN应用于HSI分类面临收敛困难的问题，其根源在于训练样本有限导致梯度多样性不足。为解决该收敛难题，同时保留FCN在快速推理和全局空间信息挖掘方面的优势，本文首次提出一种全局随机分层采样策略（Global Stochastic Stratified Sampling Strategy），将所有训练样本转化为一个随机化的分层采样序列。该策略能够有效生成多样化的梯度，确保FCN在FPGA框架中的稳定收敛。为进一步优化FCN的网络架构，本文提出FreeNet——一种面向HSI分类的全端到端网络结构。FreeNet通过引入基于光谱注意力机制的编码器，充分挖掘光谱特征的内在关联性，结合轻量级解码器，显著提升模型性能。此外，设计了一种横向连接模块（lateral connection module），用于融合编码器中的空间细节信息与解码器中的语义特征，增强特征表达能力。在三个公开基准数据集上的实验结果表明，FPGA框架在分类速度与准确率方面均显著优于传统的基于图像块的学习方法。相关代码已开源，访问地址为：https://github.com/Z-Zheng/FreeNet。