现代工业和科技水平的不断提高推动着社会经济的发展,然而,由此衍生的工业污染问题却给人类生态文明建设和物种多样性保护带来了严峻挑战,许多野生动物的生存环境遭到污染和破坏。我国是世界上鸟类最多的国家之一,拥有超过1400种野生鸟类,因此,野生鸟类的监测识别与保护问题显得尤为重要。传统鸟类识别一般通过人工值守并借助相关专业人员逐一鉴别的方式进行,很难兼顾高效性和准确性。随着现代人工智能技术的快速发展,人们通过无人机等航拍设备采集野生鸟类图像,再利用细粒度图像识别算法进行无人化监测识别已成为一项新的研究热点。这种细粒度图像识别方法不仅能够节省时间和人力成本,还能带来良好的社会效益、推动科学的发展,具有非常重要的研究价值和意义。细粒度图像识别不同于一般的图像识别研究任务,它旨在对同一大类物体下的不同子类对象进行更精细的划分。常见的细粒度图像识别研究对象涵盖了如鸟、狗、汽车、飞机、花卉、植物等多种物体,这其中以鸟类识别为代表。鸟类识别最能体现细粒度图像识别的研究特点与难点,因此受到了国内外研究人员的广泛关注和参与。本文围绕面向野生鸟类的细粒度图像识别方法展开研究,首先对细粒度图像识别的研究现状和研究方法进行全面分析,采用双线性CNN这一具有代表性的细粒度图像识别模型进行鸟类识别研究工作,并针对双线性CNN模型特征学习阶段的部分问题进行分析,进一步提出模型改进策略和方法。本文通过引入深度残差学习结构和视觉注意力机制的方法,提出了一种融合二元残差注意力模块的改进双线性模型BRAN,利用深度残差网络强大的特征提取能力和多维度注意力特征融合的方法有效提升了原模型在细粒度图像识别问题上的效果。该模型在细粒度图像基准数据集CUB-200-2011上的分类准确率达到了 87.2%,不仅提升了原双线性CNN模型在该数据集上的识别效果,也超过了近年来一些主流细粒度图像识别算法的分类准确率。最后,本文还对改进后的模型进行系统封装,设计并实现了一个基于Web平台的细粒度鸟类图像识别系统。