我国疆土广阔,动物资源丰富。鸟类资源的比例在动物资源中占据了较大比例,对于鸟类的保护工作是促进可持续发展的关键之一。鸟类识别属于细粒度图像识别,对于鸟类图像的识别,存在类间差异小,类内差异大等问题。针对该问题,本文从以下几个方面对其进行了研究:提出二种基于弱监督学习的方法。分别为基于反复CAM（Class Activation Mapping）网络与双线性网络鸟类识别方法和基于对抗互补注意力与跨层高阶双线性网络鸟类图像识别方法。首先提出基于反复CAM网络与双线性网络鸟类识别方法。该方法包含三个部分组成:反复CAM物体定位网络,改进的双线性网络和嵌入空间（改进的损失函数）。针对仅仅使用CAM网络提取判别性区域,容易导致缺乏其它补充判别性区域特征,因此利用CAM网络提取显著性区域后,设置阈值,将该部分区域抑制,再次将处理后的图像送入到CAM网络,提取其它补充判别性区域特征,并使用概率加权方式进行融合二个不同的判别性区域特征图。选择基于可变形卷积的双线性网络提取高阶图像特征。最后送入到嵌入空间,通过改进的损失函数来进一步提高特征的判别性。实验结果表明,该方案在CUB-200-2011表现出优秀的分类性能,分类准确率达到87.5%。提出基于对抗互补注意力与跨层高阶双线性网络方法。该方法包含三个部分:对抗互补注意力机制物体定位网络,全局分支和跨层高阶双线性网络。对抗互补注意力物体定位网络通过动态擦除机制,能够有效地发现互补的对象区域,定位到主要物体区域。跨层高阶双线性网络充分利用不同卷积层特征,进而增强特征表示能力。引入全局分支来抽取图像的全局特征。实验结果表明,该方法在CUB-200-2011上分类准确率达到了88.4%。最后,本文基于改进的方法构建了一个小型的鸟类图像识别系统。主要实现了鸟类图像识别等功能。综上所述,本文针对鸟类图像识别存在的问题,先后提出了二种不同的鸟类图像识别解决方法,并且都不需要强监督信息,有效的解决了鸟类识别存在的问题,具有很高的实际应用价值。