随着人工智能技术的发展,人们在日常生活中利用这种技术实现了对不同事物的辨识,然而在日常生活中往往也需要对目标下属子类别进行区分。因为缺乏对专家知识的了解,人们无法准确辨识目标下属子类别,仅通过传统图像识别方法也很难准确识别目标下属子类别,如何改善识别方法使其能准确识别目标下属子类已经成为计算机视觉领域的研究热点。传统图像识别方法旨在识别“猫”和“狗”这种从形态和样貌等方面易于区分的类别,与传统图像识别相比识别子类别（即细粒度图像识别）的难度在于子类别图像更精细,同时细粒度图像中类内区别大且类间区别小的特点会导致识别起来更具挑战性。对细粒度数据集的研究促使不同形式的细粒度图像识别方法被提出,这些方法分别从不同方面改善了模型对子类别的识别效果,但是对细粒度数据集及其识别方法的研究发现存在不平衡现象,这种不平衡会影响模型对细粒度数据集的识别性能。本文以葡萄数据集和公共数据集作为研究对象,基于深度学习相关知识,分别从数据集类别不平衡和检测方法不平衡两个角度分析并解决细粒度数据集及其识别方法存在的不平衡问题,主要研究内容和结果如下:（1）构造了葡萄长尾数据集（Vitis-15-LTs）:原葡萄数据集Vitis-15包含15个葡萄品种共6389张图像,本文基于Vitis-15构造了葡萄长尾数据集Vitis-15-LTs。通过回顾葡萄数据集Vitis-15的拍摄环境以及葡萄种植特点,发现不同品种葡萄的栽培范围因含糖量、抗病性、运输潜力和栽培难度等因素而有所不同,导致从自然场景收集到的葡萄数据集会出现长尾分布。为便于模拟并研究葡萄数据集出现的长尾分布问题,首先使用数据增强方法对原葡萄数据集Vitis-15进行扩增使其成为平衡数据集,并采用分层抽样来划分训练集和测试集,然后将头部类和尾部类训练样本数量比定义为不平衡因子,用来描述长尾问题的严重性,最后构造了不平衡因子分别为10,50和100的葡萄长尾数据集Vitis-15-LTs。（2）基于多专家分布感知网络的葡萄长尾图像识别:为解决葡萄数据集的长尾分布问题,本文采用多专家分布感知网络并将其与典型长尾图像识别方法进行性能比较。通过对典型长尾图像识别方法采用偏差和方差分析发现,这些方法一般通过增加模型方差来减小尾部偏差,但头尾偏差差距仍然很大,因此典型长尾图像识别方法并没有最大程度上减轻长尾分布对模型性能的影响。为保证在不增加模型方差的基础上减少尾部偏差,同时尽可能缩小头尾偏差差距,在葡萄长尾数据集Vitis-15-LTs上采用多专家分布感知网络,该网络主要包括多专家共享模块和分布感知多样性损失,首先通过多专家架构减少所有类的模型方差,然后利用专家共享模式降低多专家网络带来的内存消耗大和计算复杂性高的问题,最后分布感知多样性损失来减少尾部偏差,从而最大程度改善模型对长尾数据集的识别性能。在葡萄长尾数据集Vitis-15-LTs的实验结果表明,所采用的方法实现了更低的误判率和更稳定的准确率,在三个不平衡因子的葡萄长尾数据集上分别达到96.83%、93.67%和89.6%。（3）基于平衡式碎片学习的细粒度图像识别:通过研究公共数据集上的强监督细粒度图像识别方法,发现“定位-分类子网络”方法中所采用的检测方法存在不平衡,为改善受不平衡限制的检测器性能并提高模型对细粒度数据集的识别能力,本文提出平衡式碎片学习方法,并将所提出的方法与细粒度图像识别方法在多个公共数据集上进行性能比较。平衡式碎片学习方法在检测阶段采用三种平衡策略来改善受样本、特征和目标三个层次不平衡限制的检测性能,在分类阶段首先使用图像碎片化机制改变平衡检测图像的全局结构,然后通过随机排列组合图像块来确保网络能发现图像中具有判别性的局部区域,最后采用更鲁棒性的损失函数来改善模型对细粒度数据集的识别性能。在CUB-200-2011,Stanford Car和FGVC Aircraft三个不同类别的公共数据集上开展实验,结果表明所提出的方法优于当前典型的细粒度图像识别方法,测试准确率分别达到89.1%、95%和93.2%。