In den letzten Jahren wurden verschiedene Deep-Learning-Frameworks für die Klassifizierung hyperspektraler Bilder (HSI) vorgestellt. Allerdings weisen die vorgeschlagenen Netzwerkmodelle eine hohe Modellkomplexität auf und erreichen bei Anwendung des Few-Shot-Lernens keine ausreichend hohe Klassifizierungsgenauigkeit. In diesem Artikel wird eine HSI-Klassifizierungsmethode vorgestellt, die den Random-Patches-Netzwerkansatz (RPNet) mit rekursiver Filterung (RF) kombiniert, um informativere tiefen Merkmale zu erzeugen. Die vorgeschlagene Methode convolviert zunächst die Bildbänder mit zufällig generierten Patch-Filtern, um mehrstufige tiefe RPNet-Merkmale zu extrahieren. Anschließend wird die RPNet-Merkmalsmenge mittels Hauptkomponentenanalyse (PCA) dimensionserreicht, und die gewonnenen Komponenten werden mittels des RF-Verfahrens gefiltert. Schließlich werden die spektralen Merkmale des HSI-Bildes mit den resultierenden RPNet–RF-Merkmalen kombiniert, um die Klassifizierung mittels eines Support-Vector-Machine-(SVM)-Klassifikators durchzuführen. Um die Leistungsfähigkeit der vorgeschlagenen RPNet–RF-Methode zu testen, wurden Experimente an drei etablierten Datensätzen durchgeführt, wobei jeweils nur wenige Trainingsproben pro Klasse verwendet wurden. Die Klassifizierungsergebnisse wurden mit denen anderer fortschrittlicher HSI-Klassifizierungsmethoden verglichen, die ebenfalls für kleine Trainingsmengen geeignet sind. Der Vergleich ergab, dass die RPNet–RF-Klassifizierung höhere Werte hinsichtlich evaluativer Metriken wie Gesamtgenauigkeit und Kappa-Koeffizient aufweist.