In den letzten Jahren haben tiefes Lernen-Techniken die Art und Weise revolutioniert, wie Fernerkundungsdaten verarbeitet werden. Die Klassifizierung von Hyperspektralbildern ist dabei keine Ausnahme, hat jedoch spezifische Eigenschaften, die die Anwendung von tiefem Lernen weniger direkt als bei anderen optischen Daten gestalten. Dieser Artikel gibt einen Überblick über frühere maschinelles Lernen-Ansätze, präsentiert die verschiedenen derzeit vorgeschlagenen tiefen Lernmethoden für die Klassifizierung von Hyperspektralbildern und identifiziert die Probleme und Schwierigkeiten, die bei der Implementierung von neuronalen Netzen für diese Aufgabe auftreten. Insbesondere werden die Fragen der räumlichen und spektralen Auflösung, des Datenvolumens sowie des Transfers von Modellen aus multimedialen Bildern zu Hyperspektralbildern behandelt. Zudem wird eine vergleichende Studie verschiedener Netzarchitekturfamilien bereitgestellt und ein Software-Toolbox öffentlich veröffentlicht, um Experimente mit diesen Methoden durchzuführen. Dieser Artikel richtet sich sowohl an Datenwissenschaftler mit Interesse an Hyperspektralbildern als auch an Fernerkundungsexperten, die tiefes Lernen auf ihren eigenen Datensätzen anwenden möchten.