Un sistema de imágenes hiperespectrales aéreas está típicamente equipado en una aeronave o vehículo aéreo no tripulado (VANT) para capturar escenas del suelo desde una perspectiva elevada. Debido a la rotación de la aeronave o VANT, la misma región de cobertura terrestre puede ser imagenada desde diferentes ángulos de visión. Mientras que los humanos pueden reconocer con precisión los mismos objetos desde diferentes ángulos de visión, los métodos de clasificación basados en características espectrales-espaciales para imágenes hiperespectrales aéreas exhiben errores significativos. Los métodos existentes implican principalmente la incorporación de ángulos de rotación de imagen o características en la red para mejorar su precisión en la clasificación de imágenes rotadas. Sin embargo, estos métodos introducen parámetros adicionales que deben ser determinados manualmente, lo que puede no ser óptimo para todas las aplicaciones. Este artículo presenta una red de clasificación invariante a la rotación con atención espectral-espacial para la imagen hiperespectral aérea para abordar este problema. El método propuesto no requiere la introducción de parámetros adicionales de ángulo de rotación. Hay tres módulos en el marco propuesto: el módulo de selección de bandas, el módulo de mejora de características espaciales locales y el módulo de mejora de características livianas. El módulo de selección de bandas suprime canales espectrales redundantes, mientras que el módulo de mejora de características espaciales locales genera una red de codificación de características paralelas de múltiples ángulos para mejorar la discriminación del píxel central. La red de codificación de características paralelas de múltiples ángulos también aprende la relación de posición entre cada píxel, manteniendo así la invariancia a la rotación. El módulo de mejora de características livianas es la última capa del marco, que realza características importantes y suprime características insignificantes. Al mismo tiempo, se utiliza una pérdida de entropía cruzada ponderada dinámicamente como función de pérdida. Esta función de pérdida ajusta la sensibilidad del modelo para muestras con diferentes categorías de acuerdo con la salida en la época de entrenamiento. El método propuesto se evalúa en cinco conjuntos de datos de imágenes hiperespectrales aéreas que cubren regiones urbanas y agrícolas. En comparación con otros algoritmos de clasificación de última generación, el método logra la mejor precisión de clasificación y es capaz de extraer de manera efectiva características invariantes a la rotación para áreas urbanas y rurales.