为了在高光谱图像分类（HSIC）中充分挖掘目标像素的光谱-空间信息，基于卷积神经网络（CNN）的模型普遍采用基于图像块（patch-based）的输入模式，其中图像块以中心像素为核心，邻域像素则在分类过程中起到辅助作用。然而，与中心像素相比，邻域像素对分类的贡献往往存在差异。尽管已有许多基于图像块的CNN方法能够自适应地强化空间邻域信息，但大多数方法忽略了中心像素与其邻域像素之间的潜在关联性。此外，高效地提取光谱-空间特征一直是HSIC领域中一个具有挑战性但至关重要的研究课题。针对上述问题，本文提出一种面向中心向量的自相似性网络（Central Vector Oriented Self-Similarity Network, CVSSN），用于高光谱图像分类。具体而言，基于两种相似性度量，我们首先在输入空间中设计了一个基于自适应权重叠加的光谱向量自相似性模块（Adaptive Weight Addition-based Spectral Vector Self-Similarity Module, AWA-SVSS），并在特征空间中构建了一个基于欧氏距离的特征向量自相似性模块（Euclidean Distance-based Feature Vector Self-Similarity Module, ED-FVSS），以充分挖掘以中心向量为导向的空间关系。此外，我们提出一种新的特征融合模式——光谱-空间信息融合模块（Spectral-Spatial Information Fusion Module, SSIF），用于高效融合中心像素的一维光谱向量与其对应的三维图像块，从而为后续模块提供高效的光谱-空间特征学习能力。同时，本文还引入了通道-空间分离卷积模块（Channel-Spatial Separation Convolution Module, CSS-Conv）与尺度信息互补卷积模块（Scale Information Complementary Convolution Module, SIC-Conv），以进一步提升光谱-空间特征的提取效率与表达能力。在四个主流高光谱图像数据集上的大量实验结果表明，所提出的CVSSN方法在分类性能与计算效率方面均显著优于现有主流方法。相关源代码已开源，地址为：https://github.com/lms-07/CVSSN。