智能交通系统中一个研究方向是车型识别。传统的车型识别无法表征高层语义信息,仅仅通过粗粒度的车型识别无法满足实际需求,而细粒度车型识别旨在通过数据识别出车辆品牌,系列以及年款信息,因此在工业界具有广泛的应用需求。目前,细粒度车型识别算法主要存在以下几点困难与挑战:一方面该类算法严重依赖目标边界框和部件关注点等信息,从而带来大量的标注成本;另一方面,细粒度车型识别普遍存在图像视角变化引起的类内差异大,同一品牌不同系列或者年款引起的类间差异小,分类种类多以及分类精度有待提升等问题,因此相关研究有待进一步改善。本文针对上述问题,开展以下研究工作:1.为了提高网络对特征提取的有效性,本文结合了SENet和Dense Net121-BC的优势提出了SE-Dense Net-BC,采用特征重标定策略加强对分类有用的信息,在SENet和Dense Net121-BC的结合上提出了三种变体结构,在一定程度上能够改善分类精度。2.为了减少人工标记的成本问题,本文提出了在弱监督条件下的车辆主体和局部的定位方法,仅仅通过图像标签信息,在卷积的激活图上获得目标主体和判别部件的定位信息。3.为了进一步获取车辆的判别局部特征,采用两级注意力数据增强来训练网络,双线性池化注意力图可以实现弱监督目标定位,注意力裁剪可以放大图像细节区域。此外,设计对比损失和分类损失来约束参数的学习从而提高细粒度车型识别任务。实验表明,本文提出的SE-Dense Net-BC作为特征提取的基础网络,能够加强提取对分类有用的信息,其中,SE-Dense Net-BC变体二在Stanford Cars-196和Cifar10数据集上分别获得最高准确率为88.56%和95.08%,均优于Dense Net121-BC基准网络。此外,在SE-Dense Net-BC模型一致情况下,本文提出弱监督注意力目标定位和注意力裁剪数据增强策略在卡口安检数据集Car＿Bayonet上识别率从84.48%提高为89.86%,验证本文提出的策略能够进一步提高分类结果。但未来仍需进一步研究复杂环境以及小样本数据的细粒度车型识别问题。