随着科学技术的发展,人们对计算机图像分类的要求越来越高,传统的粗粒度图像分类越来越不能满足分类任务的需求。近年来,细粒度图像分类任务(Fine-Grained Recognition)在计算机视觉、模式识别等领域得到了越来越多的关注。本文对强区分性区域的优选,强区分性区域间的关系表达以及利用子类别间相似性进行分类等方面对弱监督的细粒度图像分类问题进行了研究,主要研究工作如下:(1)针对现有算法没有很好的利用到子类别间相似性的问题,提出了一种基于相似性及区别性的多分类器。该方法由S-SVM和D-SVM两部分组成,其中S-SVM学习子类别之间的相似性,利用获得的相似性修改SVM的多分类函数。由于相似性可能由不同因素(羽毛颜色、嘴的形状等)形成,D-SVM学习子类别相似性之间的区别性,利用获得的区别性修改SVM的多分类函数。结合两种修改方式得到SD-SVM多分类器。在CUB-Birds鸟类数据集和FGVC-Aircaft飞机数据集上的实验结果表明,改进后的SD-SVM多分类器能有效的提高细粒度图像分类任务的正确率。(2)针对现有细粒度分类中特征表达缺少强区分性区域间关系的描述,提出一种基于多尺度的强区分性区域特征表达方法。首先基于对多尺度的强区分性区域间偏差与方差的理论分析和仿真实验,证明了区域间分类能力随着尺度变化存在递进关系。然后在此基础上,该方法利用RA-CNN获取3个尺度下的强区分性区域,根据尺度从大到小的顺序,将强区分性区域卷积特征输入递归神经网络获得最终特征,并利用Softmax进行分类。在CUB-Birds鸟类数据集上的实验表明,基于多尺度的强区分性区域特征表达模型效果优于对强区分性区域特征进行简单拼接的方法。(3)针对大多现有方法无法获得可靠的强区分性区域的问题,提出了一种对强区分性区域进行优选的算法。该方法首先利用注意力模型获取候选的强区分性区域;然后计算候选区域之间的几何关系,去除其中位置异常的区域;接着在计算不同区域对不同子类别间分类能力的差异性的基础上,去除不必要的区域;最后对优选后的区域利用卷积神经网络进行分类。本文的算法在CUB-Birds鸟类数据集达到87.0%的正确率,在FGVC-Aircaft飞机数据集上达到90.2%的正确率,达到了当前的最先进水平。