图像识别是计算机视觉领域的重要研究方向之一,而花朵细粒度图像由于具有类间相似性小,类内相似性大的特点而得到了广泛的研究。虽然现有的深度神经网络已经可以实现花朵图像分类,但由于网络层数较多使得模型训练过程数据波动较大,且花朵细粒度特征的提取难度较大,使得模型训练效果欠佳。因此,如何提高模型性能仍然具有很大的挑战性。本文的主要工作如下:论文对现有的深度神经网络进行了分析,并选取了残差网络（ResNet）的图像处理部分来提升模型的特征提取能力。首先,对数据集进行了图像增强、去噪、二值化处理,并通过分析比较选取最优图像处理方式。其次,设计了基于Vision Transformer网络的图像分类模型（Res-ViT）。使用ResNet34网络作为Vision Transformer网络的前置网络,使用神经网络中的卷积实现图像特征的深度提取,提高花朵细粒度图像所提取的特征的有效性。再次,基于Res-ViT模型取得了较好的实验结果,使用Res-ViT模型的核心（注意力机制）设计了基于注意力机制的图像分类模型（Attention-Transformer）。模型使用ResNet50为编码器,Transformer-Decoder为解码器,将通道-空间注意力（CB AM）嵌入到ResNet50网络,分别使用CBAM的最大池化和平均池化进行图像处理,并使用concat融合两幅图像中的信息,增强了图像的表征能力。最后,通过对比实验分别验证了本文所提出的Res-ViT、Attention-Transformer网络模型能够有效提升花朵细粒度特征的提取率,并且具有较高的分类准确率,并且验证了在图像背景简单时Res-ViT模型的效果较好,而在背景复杂时Attention-Transformer具有较好的性能。