La clasificación conjunta de datos de imagen hiperespectral (HSI) y detección de luz y distancia (LiDAR) se ha aplicado en el campo del reconocimiento de categorías terrestres. Sin embargo, los métodos existentes aún tienen un rendimiento deficiente en la extracción de características de alta dimensión e información de elevación, lo que resulta en una precisión de clasificación de datos insuficiente. Para abordar este desafío, proponemos una Red de Multi-Conciencia Mejorada por Calibración (CEMA-Net) novedosa y eficiente, que explota las características conjuntas espectrales-espaciales-de elevación en profundidad para lograr la identificación precisa de las categorías de cobertura terrestre. Específicamente, proponemos un módulo de retención de características multi-vía (MFR) novedoso que explora información semántica de profundidad espectrales-espaciales-de elevación en los datos a través de múltiples caminos. Además, proponemos módulos de mejora consciente de aspectos espectrales-espaciales (SAE) y de elevación (EAE), que mejoran efectivamente la conciencia de objetos terrestres sensibles a la información espectral y de elevación. Además, para abordar las disparidades significativas de representación y desalineaciones espaciales entre características de múltiples fuentes, proponemos un módulo de fusión de calibración de características espectrales-espaciales-de elevación (SFCF) para integrar eficientemente características complementarias de características heterogéneas. Incorpora dos ventajas clave: (1) aprendizaje eficiente de características discriminativas de datos de múltiples fuentes y (2) calibración adaptativa de diferencias espaciales. Los resultados experimentales comparativos en los conjuntos de datos MUUFL, Trento y Augsburg demuestran que CEMA-Net supera a los métodos existentes de última generación, logrando una precisión de clasificación superior con una mejor precisión de mapa de características y un ruido mínimo.