深層学習技術は、ハイパースペクトル画像（HSI）分類に広く応用されており、著しい成果を上げている。しかし、深層ニューラルネットワークモデルはパラメータ空間が大きく、大量のラベル付きデータを必要とする。HSI分類における深層学習手法は一般的に、ピクセル群ごとの学習フレームワーク（patchwise learning framework）を採用している。近年、グローバルな空間的コンテキスト情報を活用して、HSI分類のための高速なピクセル群フリーのグローバル学習（FPGA）アーキテクチャが提案された。しかし、FPGAはサンプルデータの不均衡が生じた場合、最も識別的な特徴を効果的に抽出する困難を抱えている。本研究では、不十分で不均衡なHSIデータに対する分類を改善するため、グローバル畳み込み型長短期記憶（GCL）とグローバル同時注目メカニズム（GJAM）を基盤とする、スペクトル・空間依存型グローバル学習（SSDGL）フレームワークを提案する。SSDGLでは、階層的バランス（H-B）サンプリング戦略と重み付きソフトマックス損失関数を導入し、不均衡サンプル問題に対処する。また、土地被覆タイプ間の類似したスペクトル特性を明確に区別するために、GCLモジュールによりスペクトル特徴の長短期依存性を抽出する。さらに、最も識別的な特徴表現を学習するため、GJAMモジュールを提案し、注目領域を効果的に抽出する。3つの公開HSIデータセットを用いた実験結果から、SSDGLが不十分かつ不均衡なサンプル問題において優れた性能を発揮し、他の最先端手法を上回ることが確認された。コードは以下のURLから入手可能である：https://github.com/dengweihuan/SSDGL。