Hyperspektrale Bilder (HSI) liefern reichhaltige spektral-raumliche Information durch gestapelte Hunderte benachbarter schmaler Bänder. Aufgrund von Rauschen und Bandkorrelationen stellt die Auswahl informativer spektral-raumlicher Kernel-Features eine Herausforderung dar. Diese Problematik wird häufig durch den Einsatz von Faltungsneuronalen Netzen (CNNs) mit festen Empfindlichkeitsfeldern (RF) adressiert. Allerdings ermöglichen solche Ansätze nicht, dass Neuronen die Größe des Empfindlichkeitsfeldes effektiv anpassen und Kreuzkanal-Abhängigkeiten während des Vorwärts- und Rückwärtspropagierens zur Netzwerkoptimierung berücksichtigen können. In diesem Artikel präsentieren wir ein auf Aufmerksamkeit basierendes adaptives spektral-raumliches Kernel-Verbesserungs-Residualnetzwerk (A²S²K-ResNet) mit spektraler Aufmerksamkeit, das diskriminative spektral-raumliche Merkmale für die HSI-Klassifikation in einer end-to-end Trainingsform erfasst. Insbesondere lernt das vorgeschlagene Netzwerk selektive 3-D-Faltungs-Kernel, um gemeinsam spektral-raumliche Merkmale mithilfe verbesserter 3-D-ResBlocks zu extrahieren, und setzt eine effiziente Merkmalsneukalibrierung (EFR) Mechanik ein, um die Klassifizierungsleistung zu steigern. Umfangreiche Experimente wurden auf drei bekannten hyperspektralen Datensätzen durchgeführt, nämlich IP, KSC und UP. Die vorgeschlagene A²S²K-ResNet-Architektur erzielt gegenüber den untersuchten bestehenden Methoden verbesserte Klassifikationsergebnisse hinsichtlich der Gesamtgenauigkeit (OA), der Durchschnitts-Genauigkeit (AA) und des Kappa-Koeffizienten. Der Quellcode wird unter https://github.com/suvojit-0x55aa/A2S2K-ResNet zur Verfügung gestellt.