高光譜画像分類（HSIC）において、ターゲットピクセルのスペクトル・空間情報を効果的に抽出するため、畳み込みニューラルネットワーク（CNN）に基づくモデルは広く「パッチベースの入力パターン」を採用している。この手法では、パッチ全体が中央ピクセルを表し、周辺ピクセルは分類プロセスにおいて補助的な役割を果たす。しかし、中央ピクセルと比較して、周辺ピクセルの分類への寄与度は異なり得る。多くの既存のパッチベースCNNは空間的隣接情報の適応的強調は可能であるものの、中央ピクセルとその周辺ピクセルの潜在的な関係性を無視しているのが一般的である。さらに、効率的なスペクトル・空間特徴抽出は、HSICにおいて困難でありながらも極めて重要な課題である。本研究では、上記の問題に対処するため、中心ベクトルに注目した自己類似性ネットワーク（CVSSN）を提案する。具体的には、2種類の類似性尺度に基づき、入力空間において中心ベクトルに焦点を当てた適応的重み加算型スペクトルベクトル自己類似性モジュール（AWA-SVSS）と、特徴空間においてユークリッド距離に基づく特徴ベクトル自己類似性モジュール（ED-FVSS）を設計し、中心ベクトルに依存する空間的関係性を十分に掘り下げた。さらに、1次元の中心スペクトルベクトルと対応する3次元パッチを効率的に融合するため、新たなパターンとしてスペクトル・空間情報統合モジュール（SSIF）を構築した。これにより、後続のモジュールにおける効率的なスペクトル・空間特徴学習が可能となる。また、効率的なスペクトル・空間特徴学習を実現するため、チャネル・空間分離畳み込みモジュール（CSS-Conv）とスケール情報補完畳み込みモジュール（SIC-Conv）を導入した。4つの代表的な高光譜画像データセットを用いた広範な実験結果から、提案手法が他の最先端手法と比較して優れた効果と効率性を示した。実装コードは、https://github.com/lms-07/CVSSN にて公開されている。