现实生活中,视觉图像数据的分布大多都是服从长尾分布的,类与类之间样本数目不平衡,小部分类别（即头部类）拥有较多的样本,而大部分的类别（即少数类,包括尾部类和部分中间类）样本数目较少。使用常规方法基于长尾不平衡数据集训练得到的模型整体识别效果低下,模型对头部类样本的识别准确率较高,对少数类样本的识别准确率很低。通过对常规方法的分类结果进行分析,本文发现模型倾向于将少数类的样本预测到与其特征相似的头部类上,此外,很多基于类别重平衡的方法在长尾图像数据集上训练得到的模型往往对头部类和少数类有不同的偏好,较难在头部类和少数类上同时获得准确率的提升。基于上述两个问题,本文提出了两种不同的解决长尾不平衡图像识别的具有创新性的算法。本文的具体工作如下:（1）提出了一种基于窗口和特征相似性的权重重分配算法（Similarity-WindowReassignment,SWR）。该算法用于解决模型倾向于将少数类的样本预测到与其特征相似的头部类样本的问题。在计算样本权重时,除了考虑类间样本数的不平衡关系,还考虑了类间的相似性关系。通过设置滑动窗口来约束类间样本数的不平衡关系和类间相似性关系的作用范围,基于这两种关系来为每个类设计一个合理的权重。该算法能够有效地缓解模型倾向于将少数类样本预测为与其特征上相似的头部类样本的问题,提高模型对少数类样本的识别准确率以及整体识别准确率。（2）提出了一种基于类先验条件的知识蒸馏长尾图像识别算法（Prior-ConditionKnowledge-Distillation,PCKD）。该算法用于解决当前大多数基于类别重平衡的长尾图像识别方法较难同时在头部类和少数类上获得准确率提升的问题。该算法基于两个分别在头部类和少数类上具有不同侧重点的教师模型,根据类别先验条件来共同指导一个学生模型的训练,通过这种条件能够使得每个教师模型只传授自己最有把握的知识给学生模型。在训练过程中使用分阶段学习来调节学生模型自主学习和蒸馏学习的时机,并结合课程学习策略动态调节来自于不同教师的知识的重要性。该算法能够综合利用两个不同模型的优势,训练得到的学生模型对头部类和少数类都具有更加出色的识别性能。（3）将当前用于解决长尾不平衡图像识别问题的主流方法在模型准确率上与SWR算法和PCKD算法进行横向比较。实验结果表明SWR算法在所有权重设计类方法中整体表现最优,PCKD算法在整体预测的准确率上则能够取得比其它对比方法更好的结果。