ハイパースペクトル画像（HSI）分類において、畳み込みニューラルネットワーク（CNN）の利用は現在の文献において広く見られる。提案手法は、SVMから2次元CNN（2D CNN）、3次元CNN（3D CNN）、3D-2D CNN、およびFuSENetまで多岐にわたる。しかしながら、3D-2D CNNおよびFuSENetを除く他の手法は、HSI分類タスクにおいてスペクトル特徴と空間特徴を統合的に考慮していないため、性能が劣ることが多い。3D CNNは計算負荷が高く、実用的に広く採用されていない一方で、2D CNNは画像のマルチスケール処理を考慮できず、空間特徴のみに限定される。また、3D-2D CNNはスペクトル特徴と空間特徴の両方をモデル化しようとする試みを示すものの、複数のデータセットに適用した際の性能は限定的である。本論文では、マルチスケールHSI分類を目的とした、ウェーブレットCNNをベースとする新規モデル「SpectralNET」を提案する。SpectralNETは2D CNNの一種であり、ウェーブレット変換層を用いてスペクトル特徴を抽出する。ウェーブレット変換の計算負荷は3D CNNに比べて軽いため、効率的な処理が可能となる。抽出されたスペクトル特徴は、その後2D CNNに接続され、空間特徴を抽出する。これにより、空間的・スペクトル的特徴を統合した特徴ベクトルが生成され、分類に用いられる。全体として、マルチスケールHSIデータを高精度で分類可能な優れたモデルが構築された。Indian Pines、University of Pavia、Salinas Scenesといった標準ベンチマークデータセットを用いた実験により、SpectralNETが最先端手法を上回る性能を示すことが確認された。本研究のコードは、https://github.com/tanmay-ty/SpectralNET にて公開されている。