En raison de l’abondance d’informations spectrales et spatiales enregistrées dans les images hyperspectrales (HSI), l’extraction complète des relations spectrales-spatiales a suscité un intérêt croissant au sein de la communauté du classification des images hyperspectrales (HSIC). Toutefois, plusieurs obstacles persistants demeurent. D’une part, dans le cadre du traitement par patch, certains pixels voisins spatialement présentent souvent une incohérence avec le pixel central en termes de classe d’occupation du sol. D’autre part, les corrélations linéaires et non linéaires entre différentes bandes spectrales sont cruciales, mais difficiles à modéliser et à exploiter efficacement. Pour surmonter ces défis, nous proposons un cadre d’apprentissage adaptatif par échantillonnage de masque et sous-espace euclidien à partir de variété (AMS-M2ESL) pour la HSIC. Plus précisément, un module d’échantillonnage intra-patch basé sur un masque adaptatif (AMIPS) est formulé pour effectuer l’échantillonnage intra-patch de manière adaptative, en s’appuyant sur les relations spatiales orientées par le vecteur spectral central. Ensuite, à partir d’un descripteur de covariance de distance, un module de représentation à double canal basé sur la covariance de distance (DC-DCR) est proposé afin de modéliser des représentations unifiées spectrales-spatiales et d’explorer les relations spectrales-spatiales, en particulier les dépendances linéaires et non linéaires dans le domaine spectral. Par ailleurs, en considérant que la matrice de covariance de distance appartient à la variété des matrices symétriques définies positives (SPD), nous introduisons un module d’apprentissage du sous-espace euclidien à partir de variété (M2ESL) respectant la géométrie de Riemann de la variété SPD, pour permettre un apprentissage de haut niveau des caractéristiques spectrales-spatiales. En outre, un module d’approximation de racine carrée matricielle (ASQRT) est intégré pour assurer une projection efficace vers un sous-espace euclidien. Des expérimentations étendues sur trois jeux de données HSI populaires, avec un nombre limité d’échantillons d’entraînement, démontrent de manière concluante la supériorité du modèle proposé par rapport aux méthodes de pointe existantes. Le code source est disponible à l’adresse suivante : https://github.com/lms-07/AMS-M2ESL.