El reconocimiento de insectos, crucial para los estudios de agricultura y ecología, se beneficia de los avances en el aprendizaje profundo basado en imágenes RGB, pero aún enfrenta desafíos de precisión. Para abordar esta brecha, se introduce el conjunto de datos HI30, que consta de 2115 imágenes hiperespectrales en 30 categorías de insectos, que ofrece información más rica que los datos RGB para mejorar la precisión de la clasificación. Para aprovechar eficazmente este conjunto de datos, este estudio presenta la Red de Auto-Correlación de Dos Ramas (TBSCN), un enfoque novedoso que combina ramas de correlación espectral y correlación de parches aleatorios para explotar tanto la información espectral como la espacial. La efectividad del HI30 y TBSCN se demuestra a través de pruebas exhaustivas. Notablemente, mientras que las redes pre-entrenadas de ImageNet adaptadas a datos hiperespectrales lograron una precisión del 81.32%, los modelos desarrollados desde cero con el conjunto de datos HI30 vieron un aumento sustancial del 9% en el rendimiento. Además, la aplicación de TBSCN a datos hiperespectrales elevó la precisión al 93.96%. Las pruebas extensas confirman la superioridad de los datos hiperespectrales y validan la eficacia y robustez de TBSCN, avanzando significativamente en la clasificación de insectos y demostrando el potencial de estas herramientas para mejorar la precisión y confiabilidad.