图像识别作为计算机视觉发展史上最基本的问题之一,已经得到了广泛的研究。近几年,由于数据规模的不断增长,研究目标也发生了巨大变化。本文研究了最新并最具挑战性的目标识别任务之一,细粒度图像分类(Fine-Grained Visual Classification,FGVC)。细粒度图像分类问题是对子类进行识别。与以Image Net图像分类为代表的的通用图像识别(General Images)任务相比,细粒度图像识别的难点在于其目标图像所属类别的粒度更为精细。论文针对细粒度图像分类问题,分析了当前国内外的研究现状。考虑到当前基于强监督信息的细粒度图像识别方法已经达到不错的性能,但是它需要大量人工标注信息,耗费大量人力物力,不利于实际需求。从弱监督信息细粒度图像识别着手来改善细粒度图像识别性能,论文的主要工作包括:1)目前,残差网络(Res Net)和Inception网络在图像识别领域得到广泛使用,并且在Image Net数据集上取得优异性能,设计了一种结合上述两种网络的网络模型来提高细粒度图像识别的性能。2)卷积神经网络中常用的激活函数是线性整流函数(Re LU),本次研究过程中,在上述残差连接中使用PRe LU作为激活函数代替Re LU。PRe LU是Re LU的改进版本,增加了一个可学习参数,使负值部分的斜率是可以根据数据来确定。3)考虑到近期出现了许多创新型的卷积神经网络,而且它们在图像分类领域也取得了辉煌的成绩。对于双线性CNN模型(Bilinear CNN),使用性能比较好的Inception网络来作为特征提取器代替原有的特征提取器来提高双线性CNN的性能,从而来提高双线性CNN对细粒度图像的识别能力。通过在CUB200-2011鸟类公开数据集和Stanford Cars汽车类型数据集上进行测试,实验结果表明,设计的单网络模型的分类性能优于单一的残差网络和Inception网络,改进的双线性模型在两种数据集上分别达到了88.3%和94.2%的分类精度,与先前一些强监督算法不相上下,验证了本文方法的有效性。