Un método de clasificación de imágenes hiperespectrales (HSI) basado en alineación de dominios fue diseñado para abordar la heterogeneidad en resolución y bandas entre los conjuntos de datos de dominio fuente y dominio objetivo de imágenes hiperespectrales de escenas cruzadas, así como la reducción resultante en características comunes. En primer lugar, después de la extracción preliminar de características, realice dos operaciones de alineación de dominios: alineación de imágenes y alineación de distribución. La alineación de imágenes tiene como objetivo alinear imágenes hiperespectrales de diferentes bandas o puntos temporales, asegurando que estén dentro del mismo marco de referencia espacial. La alineación de distribución ajusta la distribución de características de muestras de diferentes categorías en el espacio de características para reducir las diferencias de distribución de características del mismo tipo entre dos dominios. En segundo lugar, ajuste la consistencia de los dos métodos de alineación para garantizar que las características obtenidas a través de diferentes métodos de alineación muestren consistencia en el espacio de características, mejorando así la comparabilidad y confiabilidad de las características. Además, este método considera múltiples pérdidas en el modelo desde diferentes perspectivas y realiza ajustes integrales a través de un proceso de optimización unificado para capturar y utilizar más ampliamente la información de correlación entre los datos. Los resultados experimentales en los conjuntos de datos de Houston 2013 y Houston 2018 pueden mejorar el rendimiento de predicción hiperespectral entre conjuntos de datos con diferentes resoluciones y bandas, resolviendo efectivamente los problemas de alto costo y muestras de entrenamiento limitadas en el etiquetado de HSI y mejorando significativamente el rendimiento de clasificación HSI de escenas cruzadas.