Tiefere neuronale Netzwerke (DNNs) zeigen beeindruckende Leistungsfähigkeit bei der Klassifizierung hyperspektraler Bilder (HSI), wenn ausreichend etikettierte Stichproben zur Verfügung stehen. Das Problem liegt darin, dass die Annotation von HSI-Stichproben äußerst kostspielig ist und der Budgetrahmen für diese Aufgabe in der Regel begrenzt ist. Um die Abhängigkeit von etikettierten Stichproben zu verringern, wurde in der Literatur tiefes semi-supervised Learning (SSL) eingeführt, das gleichzeitig aus etikettierten und unetikettierten Stichproben lernt. Dennoch stellt die Entwicklung robuster und diskriminativer Merkmale aus unetikettierten Daten aufgrund verschiedener Rauscheffekte und der Ambiguität der unetikettierten Stichproben eine herausfordernde Aufgabe dar. Folglich sind die jüngsten Fortschritte hauptsächlich auf die Vortrainings- oder Warm-up-Phase beschränkt. In diesem Artikel stellen wir einen tiefen probabilistischen Ansatz vor, der zuverlässige Pseudolabels erzeugt, um diskriminative Merkmale explizit aus unetikettierten Stichproben zu lernen. Die von unserem vorgeschlagenen Framework generierten Pseudolabels können anschließend in verschiedene DNNs integriert werden, um deren Generalisierungsfähigkeit zu verbessern. Unser Framework nutzt lediglich 10 etikettierte Stichproben pro Klasse, um die Etikettenmenge als unsicherheitsbewusste Verteilung im latente Raum darzustellen. Anschließend werden Pseudolabels für jene unetikettierten Stichproben generiert, deren Merkmalswerte mit hoher Wahrscheinlichkeit der Verteilung entsprechen. Durch umfangreiche Experimente auf vier öffentlich verfügbaren Datensätzen zeigen wir, dass unser Framework zuverlässige Pseudolabels erzeugen kann, die die Generalisierungsfähigkeit mehrerer state-of-the-art DNNs signifikant verbessern. Zudem stellen wir ein neues DNN für die HSI-Klassifizierung vor, das im Vergleich zu bestehenden Ansätzen herausragende Genauigkeitswerte erzielt.