高光譜画像（HSI）には豊富なスペクトル情報と空間情報が記録されているため、スペクトル-空間関係を十分に活用することが、高光譜画像分類（HSIC）分野において広く注目されている。しかし、依然として克服が難しい課題が存在する。第一に、パッチベースの処理において、中心ピクセルと空間的隣接ピクセルの間で土地被覆クラスが一致しない場合が多く見られる。第二に、異なるスペクトルバンド間の線形および非線形相関は、特徴表現と抽出において極めて重要であるが、その表現と掘り起こしは困難である。これらの課題を克服するため、本研究では、適応的マスクサンプリングとリーマン多様体からユークリッド部分空間への学習（AMS-M2ESL）フレームワークを提案する。具体的には、中心スペクトルベクトルを基準とした空間的関係に基づき、適応的マスク方式でパッチ内サンプリングを行う「適応的マスクに基づくパッチ内サンプリング（AMIPS）」モジュールを導入する。次に、距離共分散記述子に基づき、統一的なスペクトル-空間特徴表現をモデル化し、特にスペクトル領域における線形および非線形依存関係を探索する「二チャネル距離共分散表現（DC-DCR）」モジュールを提案する。さらに、距離共分散行列が対称正定値（SPD）多様体上に存在することに着目し、SPD多様体のリーマン幾何学を尊重した「多様体からユークリッド部分空間への学習（M2ESL）」モジュールを構築し、高レベルなスペクトル-空間特徴の学習を実現する。また、効率的なユークリッド部分空間への射影を可能にする近似行列平方根（ASQRT）層を導入する。3つの代表的なHSIデータセットを用いた広範な実験結果により、限られた学習サンプル条件下でも、提案手法が他の最先端手法と比較して優れた性能を発揮することが示された。ソースコードは以下のURLから公開されている：https://github.com/lms-07/AMS-M2ESL。