Pour extraire l'information spectrale- spatiale du pixel cible dans la classification d'images hyperspectrales (HSIC), les modèles basés sur les réseaux de neurones convolutifs (CNN) adoptent largement un schéma d'entrée par patch, dans lequel un patch représente le pixel central, tandis que les pixels voisins jouent un rôle auxiliaire dans le processus de classification. Toutefois, par rapport au pixel central, les pixels voisins contribuent souvent de manière inégale à la classification. Bien que de nombreux CNN basés sur les patchs puissent adapter l'importance des informations spatiales voisines, la plupart d'entre eux ignorent la relation latente entre le pixel central et ses voisins. En outre, l'extraction efficace des caractéristiques spectrale- spatiales reste un enjeu difficile mais fondamental pour la HSIC. Pour répondre à ces problèmes, nous proposons un réseau d'auto-similarité orienté vers le vecteur central (CVSSN) pour la HSIC. Plus précisément, à partir de deux mesures de similarité, nous concevons d'abord un module d'auto-similarité du vecteur spectral basé sur une addition adaptative de poids (AWA-SVSS) dans l'espace d'entrée, ainsi qu'un module d'auto-similarité du vecteur de caractéristiques basé sur la distance euclidienne (ED-FVSS) dans l'espace de caractéristiques, afin d'exploiter pleinement les relations spatiales orientées vers le vecteur central. Par ailleurs, nous proposons un module de fusion d'information spectrale- spatiale (SSIF) comme un nouveau schéma pour fusionner le vecteur spectral 1D central et le patch 3D correspondant, afin d'assurer un apprentissage efficace des caractéristiques spectrale- spatiales par les modules ultérieurs. En outre, nous intégrons un module de convolution à séparation canal-espace (CSS-Conv) et un module de convolution à complémentarité d'information d'échelle (SIC-Conv) afin d'améliorer l'efficacité de l'extraction des caractéristiques spectrale- spatiales. Des expérimentations étendues sur quatre jeux de données d'images hyperspectrales populaires démontrent l'efficacité et la performance du méthode proposée par rapport aux approches de pointe existantes. Le code source est disponible à l'adresse suivante : https://github.com/lms-07/CVSSN.