Neuere Forschungen haben gezeigt, dass die Nutzung von spektral-raumlichen Informationen die Leistungsfähigkeit der Klassifikation hyperspektraler Bilder (HSI) erheblich verbessern kann. HSI-Daten werden typischerweise in Form von 3D-Würfeln dargestellt. Daher bietet die 3D-raumliche Filterung eine einfache und effektive Methode, um gleichzeitig spektral-raumliche Merkmale innerhalb solcher Bilder zu extrahieren. In diesem Artikel wird ein 3D-Convolutional Neural Network (3D-CNN)-Framework für eine präzise Klassifikation von HSI vorgeschlagen. Der vorgeschlagene Ansatz behandelt die HSI-Würfel-Daten insgesamt, ohne auf jegliche Vor- oder Nachverarbeitung angewiesen zu sein, und extrahiert effizient tiefgehende, spektral-raumlich kombinierte Merkmale. Zudem erfordert das Verfahren weniger Parameter als andere auf tiefen Lernverfahren basierende Ansätze. Dadurch ist das Modell leichter, weniger anfällig für Überanpassung und einfacher zu trainieren. Zur Vergleichbarkeit und Validierung testen wir den vorgeschlagenen Ansatz gemeinsam mit drei weiteren auf tiefen Lernverfahren basierenden Methoden zur HSI-Klassifikation – nämlich Stack Autoencoder (SAE), Deep Brief Network (DBN) und 2D-CNN-basierte Methoden – an drei realen HSI-Datensätzen, die von unterschiedlichen Sensoren erfasst wurden. Die experimentellen Ergebnisse zeigen, dass unsere 3D-CNN-basierte Methode diese state-of-the-art-Verfahren übertrifft und eine neue Bestleistung erzielt.