图像分类作为计算机视觉研究领域最经典的任务,近些年因为在医学成像精确分类、商品图片自动识别和色情暴力内容有效鉴别等现实应用场景中具有重要应用价值而受到广泛关注。伴随着大数据时代的到来,深度神经网络在图片分类任务中取得了优异的成绩。然而,在当前主流深度神经网络训练中,所有的样本处理都是平等的。实际上,由于在内容和标注质量方面的差异,图像必然有一定差别。因此,如何差异化处理图像是精确图像分类的关键。课程学习提出:在训练过程中,应该针对样本的难易,给予不一样的训练优先级。总的来说,课程学习认为在训练的前期应当学习简单样本,以捕捉样本总体分布和学习通用特征;在训练的后期应当学习困难样本,以对决策边界进行精细微调。具体实现不同任务的课程学习有两个关键问题需要解决:第一、如何衡量样本的难易,以及如何找到所谓的困难样本和简单样本;第二、是如何实现所谓的课程,也就是如何设计不同样本的优先级。针对这两个问题,本文结合图像分类的任务特点,将课程学习的思路引入图像分类任务中,主要内容包括:在第二章中,本工作提出了更加精细化的样本难易评判标准并实现了更加平滑的课程。由于大多数相关工作都是使用样本的损失值来衡量其难易,这种方式导致无法判断样本与决策边界的相对位置,因此本文提出使用样本的预测概率来衡量其难易。为此,本文提出一个教师-学生训练框架。其中,教师网络和学生网络的训练目标都是对图像进行分类,且它们是同步训练的。在每次训练迭代中,先训练教师网络,再利用教师网络的预测概率判断每个样本的难易程度。根据评估出样本的难易,本方法对训练学生网络的样本实施课程调整。过去的很多课程学习方法都是直接抛弃某些样本,这样会浪费大量数据。本文提出通过给训练样本加权的方式实现课程。这种方式让学生网络在训练的前期更加注重简单样本,后期专注于困难样本。我们在多个数据集中验证了所提出的方法的有效性。在第三章中,本研究工作提出了生成位于边界的困难样本,并利用其微调决策边界的框架。我们认为分布在决策边界的容易让分类器迷惑的样本可以帮助分类器学习到更加精细的决策边界。因此,本文首先使用生成对抗式网络产生了大量让分类器混淆的边界样本,再使用协同蒸馏学习技术让多个训练网络对易混淆样本达成一致分类,从而提高分类器对困难样本的分类能力,进而调整决策边界。本工作通过多个数据集上的大量实验,证明了所提方法的有效性。最后,本文又分析了上述两个方法的异同点以及各自的优缺点。