近年、高光譜画像（HSI）分類を目的としたさまざまなディープラーニングフレームワークが提案されてきた。しかし、これらの提案されたネットワークモデルはモデルの複雑性が高く、少数ラベル学習（few-shot learning）を用いる場合、高い分類精度を達成できないという課題がある。本稿では、ランダムパッチネットワーク（RPNet）と再帰フィルタリング（RF）を組み合わせたHSI分類手法を提案する。本手法はまず、画像バンドに対してランダムパッチを用いて畳み込み処理を行い、複数レベルの深層RPNet特徴を抽出する。次に、得られたRPNet特徴集合に対して主成分分析（PCA）を用いた次元削減を行い、抽出された主成分を再帰フィルタリング（RF）プロセスで処理する。最後に、HSIのスペクトル特徴と、RPNet–RFによって得られた特徴を統合し、サポートベクターマシン（SVM）分類器を用いてHSIを分類する。提案手法の性能を検証するため、多数の既知のデータセット（3種類）を用いて、各クラスに対して少数の学習サンプルを用いた実験を実施し、少数サンプルを前提とした他の先進的なHSI分類手法との分類結果を比較した。その結果、本手法であるRPNet–RF分類は、全体精度（overall accuracy）およびカッパ係数（Kappa coefficient）といった評価指標において、高い値を示すことが明らかになった。