En los últimos años, las redes neuronales convolucionales gráficas (GCNs) y las redes neuronales convolucionales (CNNs) han avanzado significativamente en la clasificación de imágenes hiperespectrales (HSI). Sin embargo, los modelos existentes a menudo encuentran redundancia de información y desajuste de características durante la fusión de características, y tienen dificultades con características refinadas a pequeña escala. Para abordar estos problemas, proponemos DCG-Net, una red de clasificación innovadora que integra arquitecturas CNN y GCN. Nuestro enfoque incluye el desarrollo de una red de expansión de doble rama (E-Net) para mejorar las características espectrales y extraer eficientemente características de alto nivel. Además, incorporamos un GCN con un mecanismo de atención para facilitar la integración de características a nivel de superpíxel de múltiples escalas espaciales y características a nivel de píxel. Para mejorar aún más la fusión de características, introducimos un módulo de agregación de características (FAM) que aprende de manera adaptativa características de canal, mejorando la robustez y precisión de la clasificación. Experimentos exhaustivos en tres conjuntos de datos ampliamente utilizados muestran que DCG-Net logra resultados de clasificación superiores en comparación con otros métodos de vanguardia.