Für die reichhaltige spektrale und räumliche Information, die in hyperspektralen Bildern (HSI) erfasst wird, hat die vollständige Exploration der spektral-räumlichen Beziehungen in der Gemeinschaft der hyperspektralen Bildklassifikation (HSIC) erhebliche Aufmerksamkeit erlangt. Dennoch bestehen weiterhin einige schwer überwindbare Hindernisse. Einerseits sind bei der patchbasierten Verarbeitung einige räumlich benachbarte Pixel oft in ihrer Landnutzungsart mit dem zentralen Pixel unvereinbar. Andererseits sind die linearen und nichtlinearen Korrelationen zwischen verschiedenen spektralen Bändern von entscheidender Bedeutung, gleichzeitig aber schwierig zu repräsentieren und zu erschließen. Um diese genannten Probleme zu überwinden, wird ein adaptiver Masken-Sampling- und Mannigfaltigkeits-zu-Euklidischem-Unterraum-Lernrahmen (AMS-M2ESL) für die HSIC vorgeschlagen. Konkret wird zunächst ein adaptiver Masken-basierter intra-patch-Sampling-Modul (AMIPS) formuliert, das den intra-patch-Sampling auf der Grundlage von räumlichen Beziehungen, die vom zentralen spektralen Vektor aus orientiert sind, adaptiv durchführt. Anschließend wird auf Basis des Distanz-Kovarianz-Deskriptors ein Dual-Channel-Distanz-Kovarianz-Repräsentations-Modul (DC-DCR) vorgeschlagen, um einheitliche spektral-räumliche Merkmalsrepräsentationen zu modellieren und spektral-räumliche Beziehungen, insbesondere lineare und nichtlineare Wechselwirkungen im spektralen Bereich, zu erforschen. Darüber hinaus berücksichtigt die Methode, dass die Distanz-Kovarianz-Matrix auf der Mannigfaltigkeit symmetrischer positiv definiter (SPD) Matrizen liegt, und implementiert daher ein Mannigfaltigkeits-zu-Euklidischem-Unterraum-Lernmodul (M2ESL), das die Riemannsche Geometrie der SPD-Mannigfaltigkeit respektiert, um hochwertige spektral-räumliche Merkmale zu lernen. Zudem wird eine approximative Matrix-Quadratwurzel-Schicht (ASQRT) eingeführt, um eine effiziente Projektion in den euklidischen Unterraum zu ermöglichen. Umfangreiche experimentelle Ergebnisse auf drei gängigen HSI-Datensätzen mit begrenzten Trainingsbeispielen belegen die überlegene Leistung des vorgeschlagenen Ansatzes gegenüber anderen state-of-the-art-Methoden. Der Quellcode ist unter https://github.com/lms-07/AMS-M2ESL verfügbar.