自然界生物的多样性对保持生态平衡,促进人与自然和谐发展具有重要意义。昆虫是地球上种群数量最庞大的一类生物,而蝴蝶作为其中的一员与人类的生产、生活息息相关。自然界中的蝴蝶往往具有复杂的颜色和纹理特征,使用人工识别的方法错误率较高,且效率低下。因此,针对蝴蝶图像的自动识别方法在许多场景中具有十分重要的应用价值,如蝴蝶种群保护、农作物病虫害防治、边境检疫等。根据应用需求的不同,针对蝴蝶图像的研究可分为蝴蝶图像分割和蝴蝶图像分类两个任务。在蝴蝶图像分割任务中,难点在于如何从复杂的环境背景中分割出正确率较高的蝴蝶目标。在蝴蝶图像分类任务中,难点在于有效区分类间差异和类内差异。为此,本文使用深度学习技术对蝴蝶图像分割和分类两个方面展开研究。论文主要工作包括:(1)针对当前蝴蝶图像分析中缺乏分割图像的问题,提出一种基于Mask RCNN的蝴蝶分割方法。由于缺少现成的蝴蝶分割标注,首先从现有的蝴蝶数据集中构建一个小型的蝴蝶分割数据集,通过人工标注的方法得到数据集的分割标签。然后在经典的Mask RCNN实例分割算法上进行迁移训练,通过训练好的Mask RCNN分割整个蝴蝶数据集,得到分割后的蝴蝶数据集。该数据集包含4353张蝴蝶分割图像,可以为后续的蝴蝶图像分析提供数据支撑。(2)针对Mask RCNN算法分割结果中存在的过分割和欠分割的问题,提出一种结合多种图像分割算法的精细化分割方法。首先通过SLIC超像素方法对Mask RCNN算法分割后的掩码边缘进行扩展延伸,并通过形态学方法处理得到分割三元图,最后结合三元图使用改进的Grab Cut算法对原图进行二次分割。实验显示,在蝴蝶图像测试集上与Mask RCNN相比分割精度提高2%左右。(3)针对蝴蝶图像分类任务中类内差异性较大,类间差异性较小的问题,提出了一种分层注意力双线性池化方法,并结合数据增强方法对蝴蝶图像识别精度进行提高。通过将HBP方法中的三个投影矩阵替换为具有注意力机制的选择性核卷积的方式,来定位蝴蝶图像中具有区分度的局部特征,并通过二次乘积的方式对局部特征进一步加强。最后使用Mix up数据增强方法提高模型的泛化能力,在蝴蝶数据集上识别精度达到了96.01%。