Aufgrund der bemerkenswerten Erfolge, die tiefe Lernverfahren in den Bereichen des maschinellen Sehens erzielt haben, werden zunehmend Forschungsarbeiten unternommen, um diese leistungsstarken Werkzeuge auf die Klassifikation hyperspektraler Bilder (HSI) anzuwenden. Bisher nutzen die meisten dieser Methoden eine Vortrainingsphase gefolgt von einer Feinabstimmungsphase zur Extraktion tiefer Merkmale, was nicht nur äußerst zeitaufwendig ist, sondern auch stark von einer großen Menge an Trainingsdaten abhängt. In dieser Studie stellen wir eine effiziente, auf tiefem Lernen basierende Methode vor, die als Random Patches Network (RPNet) bezeichnet wird und direkt zufällige Bildpatches als Faltungs-Kerne ohne jegliches Training nutzt. Durch die Kombination von flachen und tiefen faltungsbasierenden Merkmalen verfügt RPNet über die Eigenschaft der Mehrskaligkeit, was eine bessere Anpassung an die Klassifikation hyperspektraler Bilder ermöglicht, bei denen sich verschiedene Objekte typischerweise auf unterschiedlichen Skalen befinden. In den Experimenten werden die vorgeschlagene Methode sowie ihre beiden Varianten, RandomNet und RPNet–single, an drei etablierten Benchmark-Datensätzen für hyperspektrale Bilder getestet. Die experimentellen Ergebnisse zeigen, dass RPNet im Vergleich zu bestehenden Methoden eine konkurrenzfähige Leistung erzielt.