Die Klassifikation hyperspektraler Bilder (HSI) wird in zahlreichen Bereichen eingesetzt, darunter präzise Landwirtschaft, Mineralexploration, Fernerkundung und weitere. Traditionell wurden konvolutionale neuronale Netze (CNNs) für die HSI-Klassifikation verwendet; diese weisen jedoch Einschränkungen bei der Ausnutzung spektral-räumlicher Beziehungen auf, was ein entscheidender Faktor für das Verständnis von HSI-Daten ist. Obwohl tiefere CNN-Architekturen und die Verwendung von 3-D-CNNs dieses Problem teilweise abmildern, führen sie zu einer erhöhten Rechenaufwand, was ihre Anwendung auf ressourcenbeschränkte Geräte wie IoT- und Edge-Computing-Geräte erschwert. In diesem Artikel stellen wir eine neuartige Methode vor, die auf dem Konzept von Matrix-Kapseln mit dem Erwartung-Maximierung (EM)-Routing-Algorithmus basiert und speziell auf die Besonderheiten von HSI-Daten abgestimmt ist, um die oben genannten Herausforderungen effizient zu bewältigen. Die Kapsel-Einheiten ermöglichen eine effektive Erkennung spektraler Signaturen sowie Teil-Ganzes-Beziehungen in den Daten, während der EM-Routing-Algorithmus eine sichtweiseinvariante Darstellung gewährleistet. Zur Validierung der Wirksamkeit des vorgeschlagenen Ansatzes werden drei repräsentative HSI-Datensätze verwendet. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zu aktuellen State-of-the-Art-Verfahren sowohl in Bezug auf die Genauigkeit überlegen ist und dabei 25-mal weniger Modellparameter verwendet sowie über 65-mal weniger Speicherplatz benötigt. Der Quellcode ist unter https://github.com/DeepMatrixCapsules/DeepMatrixCapsules verfügbar.