Les techniques d’apprentissage profond ont été largement appliquées à la classification des images hyperspectrales (HSI) et ont remporté un grand succès. Toutefois, les modèles de réseaux neuronaux profonds présentent un espace de paramètres important et nécessitent une grande quantité de données étiquetées. Les méthodes d’apprentissage profond pour la classification des HSI suivent généralement un cadre d’apprentissage par patch. Récemment, une architecture d’apprentissage global sans patch rapide (FPGA, Fast Patch-Free Global Learning) a été proposée pour la classification des HSI, exploitant les informations contextuelles spatiales globales. Toutefois, FPGA éprouve des difficultés à extraire les caractéristiques les plus discriminantes lorsque les données d’échantillonnage sont déséquilibrées. Dans ce travail, nous proposons un cadre d’apprentissage global dépendant du spectre et de l’espace (SSDGL, Spectral-Spatial Dependent Global Learning), basé sur un module de convolution longue courte mémoire globale (GCL, Global Convolutional Long Short-Term Memory) et un mécanisme d’attention conjointe globale (GJAM, Global Joint Attention Mechanism), spécifiquement conçu pour traiter les problèmes de données insuffisantes et déséquilibrées en classification des HSI. Dans SSDGL, une stratégie d’échantillonnage hiérarchiquement équilibrée (H-B, Hierarchically Balanced) et une fonction de perte softmax pondérée sont introduites afin de résoudre le problème de déséquilibre des échantillons. Afin de distinguer efficacement les caractéristiques spectrales similaires entre les types de couverture du sol, le module GCL est mis en œuvre pour extraire les dépendances à long terme des caractéristiques spectrales. Pour apprendre des représentations de caractéristiques les plus discriminantes, le module GJAM est proposé afin d’identifier les régions d’attention pertinentes. Les résultats expérimentaux obtenus sur trois jeux de données publics d’HSI démontrent que SSDGL présente une performance remarquable dans les cas de données insuffisantes et déséquilibrées, et surpasse les méthodes de pointe existantes. Le code est disponible à l’adresse suivante : https://github.com/dengweihuan/SSDGL.