随着人工智能的理论发展、技术进步与硬件设备的性能提升,计算机视觉得以快速发展。图像分类是计算机视觉技术的一个重要研究领域,细粒度图像分类又是图像分类领域中的重要研究方向。生产生活中,人们需要借助细粒度图像分类技术对外观相似,功能相似的物体进一步地分类,但细粒度图像分类任务较普通图像分类任务而言,存在“类内差异大,类间差异小”的问题,导致细粒度图像分类任务难度加剧,这要求分类模型应具备定位判别性区域与捕获辨别性特征的能力。通过对国内外细粒度研究方法与应用现状的研究分析,本文以增强模型对判别性区域或特征的学习能力,提高模型泛化能力及模型轻量化为研究目的,基于弱监督学习的方法对细粒度分类算法进行研究,使用CUB-200-2011等基准数据集验证算法有效性。主要工作内容如下:1)针对细粒度图像的特点,本文以算法模型对特征的综合提取能力为筛选条件,选择Inception-v4作为基础网络,并对该网络模型进行针对性改进。对Inception-v4算法在特征提取阶段的优势与劣势分析后,引入GAM（Global Attention Mechanism）混合注意力提高网络模型对判别性区域与特征的学习能力以及特征间的交互能力。通过在CUB-200-2011与Stanford Car数据集的指标评估,以及GAM注意力的可视化分析,验证了改进的GAM-Inception-v4算法模型的有效性。2)为了增强模型在实际应用场景的适用性,本文提出多通路模块,设计了GAM-Inception-v4-Light轻量化基础网络模型,实现了网络模型高精度与轻量化的平衡。实验结果表明,在CUB-200-2011基准数据集上,轻量化后的模型准确度略微下降0.3%,但模型参数量减小34%,运算速度提升24.5%。3)以提高模型的泛化能力为目的,在训练的方式上借鉴无监督学习中的对比学习思想。一方面,设计了基于对比学习的细粒度分类算法框架,并设计互注意力模块,增加图像编码的交互性,从而提高网络提取判别性区域或判别性特征的捕获能力。另一方面,训练过程采用SAM+ADAM优化算法,进一步提升模型的泛化能力。实验结果表明,采用该训练框架算法在CUB-200-2011和FGVC-Aircraft数据集上分类准确率分别达到了86.4%和92.3%