Die Klassifizierung hyperspektraler Bilder (HSI) mittels konvolutioneller neuronalen Netze (CNN) ist in der aktuellen Literatur weit verbreitet. Die Ansätze reichen von der Verwendung von SVMs über 2D-CNNs, 3D-CNNs bis hin zu 3D-2D-CNNs. Neben 3D-2D-CNNs und FuSENet berücksichtigen die anderen Ansätze weder simultan die spektralen noch die räumlichen Merkmale für die HSI-Klassifizierung, was zu einer schlechten Leistung führt. 3D-CNNs sind rechenintensiv und werden daher nicht weit verbreitet eingesetzt, während 2D-CNNs die Mehrskalenverarbeitung von Bildern nicht berücksichtigen und sich lediglich auf räumliche Merkmale beschränken. Obwohl 3D-2D-CNNs darauf abzielen, sowohl spektrale als auch räumliche Merkmale zu modellieren, zeigt ihre Leistung bei Anwendung auf mehrere Datensätze eingeschränkte Ergebnisse. In diesem Artikel stellen wir SpectralNET, ein Wellenlet-CNN, vor – eine Variante des 2D-CNNs für die Mehrskalen-Klassifizierung von HSI-Daten. Ein Wellenlet-CNN nutzt Schichten der Wellenlet-Transformation, um spektrale Merkmale zu extrahieren. Die Berechnung einer Wellenlet-Transformation ist weniger rechenaufwendig als die eines 3D-CNNs. Die extrahierten spektralen Merkmale werden anschließend an ein 2D-CNN angekoppelt, das räumliche Merkmale erfasst, wodurch ein räumlich-spektrales Merkmalsvektor für die Klassifizierung generiert wird. Insgesamt wird ein überlegenes Modell erreicht, das HSI-Daten mit mehreren Auflösungen mit hoher Genauigkeit klassifizieren kann. Experimente mit SpectralNET auf Benchmark-Datensätzen – Indian Pines, University of Pavia und Salinas Scenes – bestätigen die Überlegenheit des vorgeschlagenen SpectralNET gegenüber den aktuellen Stand der Technik. Der Quellcode ist öffentlich über https://github.com/tanmay-ty/SpectralNET verfügbar.