针对高光谱图像（HSI）中蕴含的丰富光谱与空间信息，充分挖掘光谱-空间关联关系已成为高光谱图像分类（HSIC）领域的研究热点。然而，当前仍面临若干难以克服的挑战：其一，在基于图像块（patch-based）的处理范式中，部分空间邻域像素与中心像素在地物类别上常存在不一致现象；其二，不同光谱波段之间存在的线性与非线性相关性虽至关重要，却在建模与挖掘方面极具难度。为解决上述问题，本文提出一种自适应掩码采样与流形到欧氏子空间学习（Adaptive Mask Sampling and Manifold to Euclidean Subspace Learning, AMS-M2ESL）框架。具体而言，首先设计了一种基于自适应掩码的块内采样模块（Adaptive Mask-based Intra-patch Sampling, AMIPS），该模块依据中心光谱向量导向的空间关系，实现对图像块内像素的自适应采样。随后，基于距离协方差（distance covariance）描述子，提出一种双通道距离协方差表示模块（Dual Channel Distance Covariance Representation, DC-DCR），用于统一建模光谱-空间特征表示，并深入挖掘光谱域中的线性与非线性依赖关系。此外，考虑到距离协方差矩阵位于对称正定（Symmetric Positive Definite, SPD）流形上，本文进一步构建了尊重SPD流形黎曼几何结构的流形到欧氏子空间学习（Manifold to Euclidean Subspace Learning, M2ESL）模块，以实现高层光谱-空间特征的高效学习。为进一步提升计算效率，引入一种近似矩阵平方根（Approximate Matrix Square-root, ASQRT）层，实现高效的欧氏子空间投影。在三个主流高光谱图像数据集上的大量实验结果表明，所提方法在训练样本有限的条件下，显著优于现有主流方法。源代码已开源，获取地址为：https://github.com/lms-07/AMS-M2ESL。