图像数据的急剧增长使得人们对图像分类提出了更高的要求,传统的图像分类技术只能分析出图像所属的大类别,难以准确高效地找到其中更加细致和有价值的信息。细粒度图像分类（Fine-Grained Image Classification）是对属于同一个大类别下的不同子类别图像进行更加细致的分类,而细粒度图像指的是具有更加细致的类别划分的图像。由于细粒度图像分类能发现图像中的细微差别并对相似图像进行区分,近年来成为计算机视觉领域的热门研究内容。但是,由于细粒度图像具有类内差异大而类间差异小的特点,细粒度图像分类的难度较大。针对该问题,本文基于深度卷积神经网络提取图像的强判别性特征,对细粒度图像分类问题进行研究,主要工作如下:（1）针对细粒度图像特征提取易受背景噪声干扰,现有方法提取局部区域大多包含较多背景噪声,且提取卷积网络的高层特征损失了较多的细节信息的问题,提出一种基于特征金字塔与显著性定位的细粒度图像分类方法。采用显著性提取技术对图像中目标进行定位以过滤背景噪声,并使用特征金字塔对卷积网络的浅层与高层不同语义与分辨率的特征进行融合,得到兼具细节与语义性的特征,大幅增强网络对小目标的处理能力。在CUB-200-2011和Stanford Cars数据集上的实验结果表明,该方法能有效提高细粒度图像分类的准确率。（2）针对现有细粒度分类方法提取局部特征表达能力不足,以及局部特征缺少特征交互或交互不充分的问题,提出一种基于深度双线性变换的细粒度图像分类方法。利用训练后的卷积通道能对特定语义的视觉模式产生响应的特性,对卷积通道分组并将同组的相同语义特征进行集中性表达,不同语义的特征进行成对交互,提取双线性融合特征,大幅增强不同语义特征间的交互,提高了特征的表达能力,比现有双线性池化方法计算量更小。在CUB-200-2011和Stanford Cars数据集上的实验结果验证了方法的有效性。（3）为了满足新的图像检索需求,基于上述研究工作,设计了一个基于强判别性特征的细粒度图像检索系统。系统首先提取图像的强判别性特征存入图像库中,然后使用三元组损失函数进行训练,以约束图像间相似距离。在检索时提取待检索图像的深度特征,采用余弦相似度来度量其与图像库中图像的相似性,输出最为相似的几张图像。实际操作表明,系统能进行有效的细粒度级别的图像检索。