Tiefes Lernen (DL) hat ein großes Potenzial für die Klassifizierung hyperspektraler Bilder (HSI) aufgrund seiner starken Fähigkeit zur nichtlinearen Modellierung und der end-to-end-Optimierung gezeigt. Obwohl die überlegene Leistung von DL-basierten Methoden bereits nachgewiesen wurde, zeigen sich dennoch einige Einschränkungen. Einerseits beruhen bestehende DL-Frameworks in der Regel auf ersten Ordnungsstatistiken, während sie zweite oder höhere Ordnungsstatistiken selten berücksichtigen. Andererseits ist die Optimierung komplexer Hyperparameter (z. B. Anzahl der Schichten und Größe der Faltungsfilter) zeitaufwendig und äußerst anspruchsvoll, was zu Frameworks führt, die schwer zu erklären sind. Um diese Herausforderungen zu überwinden, schlagen wir ein neuartiges, auf Aufmerksamkeit basierendes Netzwerk mit zweiter Ordnung Pooling (A-SPN) vor. Zunächst wird ein Operator für erste Ordnungsmerkmale entworfen, um die spektral-raumliche Information von HSI zu modellieren. Anschließend wird ein auf Aufmerksamkeit basierender zweiter Ordnung Pooling-Operator (A-SOP) entwickelt, um diskriminative und repräsentative Merkmale zu erfassen. Schließlich wird eine vollständig verbundene Schicht mit Softmax-Verlust für die Klassifizierung eingesetzt. Das vorgeschlagene Framework ermöglicht es, zweite Ordnungsstatistiken in einer end-to-end-Weise zu erzeugen. Darüber hinaus ist A-SPN frei von aufwendigen Hyperparameterabstimmungen, was die Erklärbarkeit erhöht und die Anwendung für Klassifizierungsaufgaben vereinfacht. Experimentelle Ergebnisse an drei gängigen hyperspektralen Datensätzen zeigen, dass A-SPN andere traditionelle und state-of-the-art DL-basierte Methoden zur HSI-Klassifizierung hinsichtlich Generalisierungsleistung bei begrenzten Trainingsbeispielen, Klassifizierungsgenauigkeit, Konvergenzgeschwindigkeit und Rechenaufwand übertrifft.