Recientemente, los perfiles de atributos múltiples extendidos (EMAPs) han atraído mucha atención debido a su buen rendimiento al aplicarse a la extracción de características y clasificación de imágenes de teledetección. Dado que los EMAPs conectan múltiples características de atributos sin considerar la clasificación de Imágenes Hiperespectrales (HSI) basadas en píxeles, las regiones homogéneas pueden volverse no uniformes debido al ruido que se introduce. Para abordar este problema, proponemos los EMAPs ponderados (WEMAPs) para reducir el ruido y suavizar las regiones homogéneas basadas en el filtro de media ponderada (WMF). Luego, construimos WEMAPs multinivel para producir características multinivel con el fin de extraer diferentes estructuras espaciales de la HSI y producir mejores resultados de clasificación. Finalmente, se propone un nuevo marco de fusión de decisiones conjuntas y fusión de características (JDFFF) basado en la fusión de decisiones (DF) y los WEMAPs multinivel (MWEMAPs) basados en un clasificador de máquina de aprendizaje extremo (ELM). Es decir, los resultados de clasificación de diversas escalas se combinan en uno final con ELM para realizar la clasificación de HSI. Los resultados experimentales muestran que el algoritmo propuesto supera significativamente a muchos algoritmos de clasificación de HSI de última generación.