La amplia cantidad de información de las bandas de imagen hiperespectral (HSI) permite la detección y reconocimiento no destructivos de objetos terrestres. Sin embargo, la reducción de dimensionalidad (DR) de las imágenes hiperespectrales (HSI) es necesaria antes de la clasificación, ya que el clasificador puede verse afectado por la maldición de la dimensionalidad. Por lo tanto, la reducción de dimensionalidad juega un papel significativo en el análisis de datos HSI (por ejemplo, procesamiento efectivo e interpretación sin problemas). En este artículo, se implementó una técnica sofisticada establecida como t-Distributed Stochastic Neighbor Embedding (tSNE) siguiendo la reducción de dimensiones junto con una CNN combinada para mejorar la visualización y caracterización de HSI. En el procedimiento, primero empleamos el análisis de componentes principales (PCA) para reducir las dimensiones de HSI y eliminar las características de consistencia no lineal entre las longitudes de onda para proyectarlas a una escala más pequeña. Luego propusimos tSNE para preservar las relaciones de píxeles locales y globales y verificar la información de HSI visual y experimentalmente. Por último, produjo datos bidimensionales, mejorando la visualización y precisión de clasificación en comparación con otros algoritmos estándar de reducción de dimensionalidad. Finalmente, empleamos una CNN basada en aprendizaje profundo para clasificar el vector de características de relación intra e interbanda de HSI reducido y mejorado. El rendimiento de evaluación de precisión y pérdida de prueba demostró la superioridad del modelo propuesto en comparación con otros algoritmos de reducción de DR de vanguardia.