Las redes neuronales convolucionales (CNN) son comúnmente empleadas para la clasificación de imágenes hiperespectrales. Sin embargo, la arquitectura de las redes neuronales celulares generalmente requiere un diseño y ajuste manual, lo cual puede ser bastante laborioso. Afortunadamente, ha habido avances recientes en el campo de la Búsqueda de Arquitectura Neural (NAS) que permiten el diseño automático de redes. Estas técnicas de NAS han mejorado significativamente la precisión de la clasificación de HSI, llevándola a nuevos niveles. Este artículo propone un marco de Búsqueda de Arquitectura Neural basado en Atención Espacial-Espectral a Múltiples Escalas (MSANAS) para la clasificación de HSI para diseñar automáticamente una estructura de red neuronal para clasificadores de HSI. En primer lugar, este documento construye un mecanismo de atención a múltiples escalas para reducir parámetros mientras mantiene un campo receptivo a gran escala y una extracción mejorada de características espectrales-espaciales a múltiples escalas para aumentar la sensibilidad de la red hacia la información hiperespectral. Luego, combinamos el paradigma de actualización de arquitectura de aprendizaje lento-rápido para optimizar e iterativamente actualizar el vector de arquitectura y mejorar efectivamente la capacidad de generalización del modelo. Finalmente, introducimos el optimizador Lion para rastrear solo el momento y utilizar operaciones simbólicas para calcular las actualizaciones, reduciendo así la sobrecarga de memoria y disminuyendo efectivamente el tiempo de entrenamiento. El método de NAS propuesto demuestra un rendimiento de clasificación impresionante y mejora efectivamente la precisión en tres conjuntos de datos de HSI (Universidad de Pavia, Xuzhou y WHU-Hi-Hanchuan).