随着深度学习等相关人工智能技术在社会生活中落地应用,人工智能技术已经逐步深入到人类生活与生产的方方面面。但是仍然也有很多比较困难的问题需要更深入的技术来解决。在基础的图像识别领域,细粒度识别一直是一个需要落地解决的问题,如何在弱监督条件下做好细粒度识别的研究与复杂场景落地应用,解决好细粒度识别由于类别相似容易混淆的问题,本课题从其本质出发重点研究弱监督下细粒度识别的算法改进与工业落地,具体内容和成果如下:针对细粒度任务中的效果与性能平衡问题,通过神经网络结构搜索方式让模型自主选择最优参数,在一定的耗时条件下搭建最优性能的网络结构,搜出一个结构较小同时效果较好的模型。针对识别准确度问题,提出了一种基于多特征融合的新型网络。通过新网络的全局信息分支、主干信息分支、局部信息分支分别获取到输入图像的全局特征、主干特征、局部特征,再进行高阶融合,从而使模型获取更多的表达信息具有更好的辨别力。结合学术界最前沿的知识蒸馏、模型压缩等技术对小模型整体优化。针对复杂工业场景的应用问题,结合上述算法思路的改进探究出了一套针对实际复杂场景落地应用的细粒度问题解决方案。实验证明,基于神经网络结构搜索算法得到的模型效果优于手工设计的模型,跟移动端常用的模型相比在参数量相似的同时效果有2.5%的提升。提出的新网络结构能给很好的融合不同层次的特征,使模型在公开数据集上的准确率比一般的单纯只用主干网络的模型高出2.1%,同时降低了模型参数量、耗时、内存消耗量等实际部署时经常关注的指标。基本解决了一定的细粒度识别相关问题。