La clasificación de imágenes hiperespectrales se aplica ampliamente en varios campos. Dado que los conjuntos de datos existentes se centran en una sola escena, los métodos actuales basados en aprendizaje profundo suelen dividir parches al azar en la misma imagen como muestras de entrenamiento y prueba. Esto puede resultar en distribuciones espaciales similares de muestras, lo que puede inclinar a la red a aprender distribuciones espaciales específicas en busca de una precisión falsamente alta. Además, la gran variación entre los conjuntos de datos de una sola escena ha llevado a investigaciones en la clasificación hiperespectral entre escenas, centrándose en la adaptación de dominio y la generalización de dominio, mientras se descuida la exploración de la capacidad de generalización de los modelos a variables específicas. Este documento propone dos enfoques para abordar estos problemas. El primer enfoque es entrenar el modelo en la imagen original y luego probarlo en el conjunto de datos rotado para simular una evaluación entre escenas. El segundo enfoque es la construcción de un nuevo conjunto de datos entre escenas para variaciones en la distribución espacial, llamado GF14-C17&C16, para evitar los problemas derivados de los conjuntos de datos de una sola escena existentes. Las condiciones de imagen en este conjunto de datos son básicamente las mismas, y solo la distribución de la cobertura terrestre es diferente. En respuesta a las variaciones en la distribución espacial, este documento propone un mecanismo de atención espectral restringida y un mecanismo de atención espacial restringida para limitar el ajuste del modelo a distribuciones de características específicas. Basándose en esto, este documento también construye una red residual de atención espectral-espacial restringida (CSSARN). Los extensos resultados experimentales en dos conjuntos de datos hiperespectrales públicos y en el conjunto de datos GF14-C17&C16 han demostrado que CSSARN es más efectivo que otros métodos en la extracción de características espectrales y espaciales entre escenas.