细粒度图像分类是指从一个大类中区分出不同的子类,在商品检索、车辆识别、花卉识别和医疗图像识别等方面具有广泛的应用前景。细粒度图像识别不同于一般的通用物体识别,其类间差异小,类内差异大,具有区分度的特征往往存在于细微的局部。由于前景对象在姿态、尺度和颜色等方面存在多样性,细粒度分类是一个非常具有挑战性的任务。本文根据当前细粒度图像分类中的前沿算法,研究前景对象的局部定位算法和特征提取技术,以提高细粒度识别的准确率。本文主要的工作如下:1.本文研究和复现了细粒度图像识别的各类先进算法,它们是基于局部定位的、基于特征编码的、基于增强学习的、基于物体检测的和基于姿态对齐的识别算法。2.本文对神经网络的深层卷积特征做了可视化分析,并对深层卷积滤波器响应做了统计分析,神经网络能自动的聚焦到对分类有重要影响的区域,并忽略无关的区域,这是神经网络的特性。3.本文提出了一种基于特征相似性的谱聚类局部定位算法,可以在不借助人工标注的条件下有效的将前景对象的不同部位加以区分。并在细粒度分类三个标准数据集上取得了很好的分类性能。4.本文提出了一个基于概率模型的随机局部定位算法,根据不同区域对分类结果的重要性来确定它们被选择的概率。该算法在没有增加额外参数的条件下,用概率模型来定位局部,并在细粒度分类的数据集上取得了不错的分类效果。