深層ニューラルネットワーク（DNN）は、豊富なラベル付きサンプルが利用可能な場合、ハイパースペクトル画像（HSI）分類において顕著な性能を示す。しかし、HSIサンプルのラベリングは極めてコストが高く、このタスクに対する予算は通常限られている。ラベル付きサンプルへの依存を低減するため、ラベル付きおよびラベルなしサンプルを統合的に学習する深層半教師付き学習（SSL）が、既存の研究において導入されている。しかしながら、ラベルなしデータから堅牢で判別性の高い特徴を学習することは、さまざまなノイズの影響やラベルなしサンプルの曖昧さのため、困難な課題である。その結果、最近の進展は主に事前学習またはウォームアップ段階に限定されている。本稿では、ラベルなしサンプルから判別性の高い特徴を明示的に学習するため、信頼性の高い擬似ラベルを生成するための深層確率枠組みを提案する。本研究で提案する枠組みによって生成された擬似ラベルは、さまざまなDNNに供給され、それらの汎化能力を向上させることが可能となる。本提案枠組みは、クラスあたりたった10個のラベル付きサンプルのみを用いて、潜在空間における不確実性を考慮した分布としてラベル集合を表現する。その後、特徴値がこの分布と高い確率で一致するラベルなしサンプルに対して、擬似ラベルが生成される。公開されている4つのデータセットを用いた広範な実験により、本枠組みが信頼性の高い擬似ラベルを生成し、複数の最先端DNNの汎化能力を顕著に向上させることを示した。さらに、HSI分類を目的とした新しいDNNを提案し、競合手法と比較して優れた精度を達成することを確認した。