Los avances en la tecnología informática y en el campo de la teledetección han fomentado el desarrollo de potentes instrumentos de sensorización (llamados espectrómetros) capaces de recoger grandes volúmenes de datos hiperespectrales. Estos datos se caracterizan por su alta resolución espectral, registrando la radiación solar y la absorción que de ella hacen los materiales de la superficie terrestre observada mediante la medición y captura en distintas longitudes de onda, a lo largo del espectro electromagnético. La gran cantidad de información recogida resulta fundamental en una gran variedad de actividades socio-económicas actuales, como la agricultura de precisión y la gestión de recursos naturales. Por consiguiente, la formación de imágenes hiperespectrales (HSI) es un tema popular dentro del campo de la teleobservación debido a la gran y rica cantidad de información tanto espectral como espacial que contiene, que permite una mejor caracterización y explotación de la superficie de la Tierra. Sin embargo, los métodos de procesamiento de datos HSI deben hacer frente a grandes desafíos, especialmente los métodos de clasificación supervisada, debido a la gran dimensionalidad espectral de los datos (que introduce una importante cantidad de variabilidad en los datos) y a la limitada disponibilidad de muestras de capacitación para abarcar todos los datos (lo que da lugar a un ajuste deficiente de los modelos de clasificación).En este contexto, los métodos de aprendizaje profundo (deep learning, DL) surgen como una solución interesante para mejorar el procesamiento y la clasificación de los datos HSI, alcanzando resultados prometedores en una amplia gama de aplicaciones dentro de las tareas de visión por computador. Esta tesis centra sus esfuerzos en el desarrollo de nuevos y eficientes enfoques de DL para la clasificación de datos HSI, procesando no sólo la información espectral sino también las características espaciales del cubo de datos original de HSI, proporcionando soluciones más robustas al sobreajuste, la alta dimensionalidad, las anomalías de los datos y la variabilidad de los mismos. A fin de ilustrar las ventajas y beneficios de las propuestas aplicadas en comparación con el estado actual en el campo de la clasificación de la cubierta terrestre mediante escenas HSI, se han llevado a cabo varios experimentos en los que se han considerado escenas HSI reales y se ha realizado la correspondiente comparación con los métodos de procesamiento disponibles en la bibliografía. Además, las metodologías diseñadas y los resultados obtenidos se han avalado mediante diferentes publicaciones en revistas con JCR. Particularmente, esta tesis por compendio recoge siete de las publicaciones realizadas a lo largo de los cuatro años de formación del autor.