La clasificación es un medio importante para extraer información valiosa de imágenes hiperespectrales (HSIs). Sin embargo, muchas HSIs contienen áreas sombreadas, donde el ruido afecta severamente la extracción de información útil. La eliminación general de ruido puede llevar a la pérdida de correlación espacial y características espectrales. Por el contrario, la resonancia estocástica dinámica (DSR) convierte el ruido en capacidad que mejora la señal de una manera que preserva mejor la información original de la imagen. Sin embargo, los métodos actuales de DSR unidimensionales y 2D no aprovechan completamente las propiedades tensoriales de los datos hiperespectrales y no preservan las características espectrales completas. Por lo tanto, en este artículo se deriva un formato diferencial hexa-direccional para resolver la salida del sistema, y se obtiene la ecuación iterativa para la mejora de sombras de HSI, lo que permite el procesamiento paralelo 3D de la información espacial-espectral de HSI. Mientras tanto, se ajustan los parámetros internos para lograr una resonancia óptima. Además, se propone el modelo de red neuronal residual 152 incrustado con el módulo de atención del bloque convolucional para disminuir la redundancia de información y aprovechar los datos ocultos dentro de las áreas sombreadas. Los resultados experimentales en una HSI del mundo real demuestran el potencial rendimiento de DSR 3D en mejorar señales débiles en regiones sombreadas de HSI y la efectividad del enfoque propuesto en mejorar la clasificación.