细粒度图像分类是指对大类下的子类进行更加精细的划分,比如区分一只鸟是海鸥还是大雁。随着人工智能的发展,同一基本类别下的物体的子类别分类的需求日益增多,如商品的品牌分类、植物研究领域的植物分类、车辆的型号和品牌分类等。然而,由于细粒度图像类别之间的差异很小,类别内部差异较大的原因,细粒度图像分类是一项非常困难的任务。由于子类别通常具有较小的类间差异,需要靠微小的局部差异对类别加以区分。论文在深度学习框架下,研究了如何增强对局部区域的关注,即如何进行区域信息增强来提高细粒度图像分类网络的性能,并且研究了该技术在车辆检索与识别中的应用。主要研究成果如下所述:（1）针对现有的分层双线性池化（Hierarchical Bilinear Pooling,HBP）网络对一幅图像包括无关背景在内的所有区域激活都进行了特征交互从而影响分类性能的问题,提出了显著增强分层双线性池化（Saliency Enhanced HBP,SE-HBP）网络。该方法在分层双线性池化网络的基础上,结合显著性检测网络生成注意力图,使用注意力图与特征提取网络进行交互实现显著区域的信息增强,减少了背景等无关信息的影响。最后在3个常用的细粒度图像数据集CUB-200-2011、Stanford Cars和FGVC-Aircraft上得到的分类准确率分别为86.5%、92.9%和90.8%。（2）针对现有的强监督方法过度依赖额外人工标注及参数量较大的问题,提出了基于部件信息蒸馏（Component Information Distillation,CID）的细粒度图像分类。先利用部件标注样本训练出教师网络,通过与学生网络的交互蒸馏出部件信息指导学生网络进行细粒度图像分类训练,从而使得学生网络实现部件区域信息增强。学生网络通过接受教师网络提供的软标签完成训练。测试使用学生网络,此时仅需要输入原始图像,即可获得高精度识别结果,且不增加额外的参数量。在CUB-200-2011、Birdsnap上得到的分类准确率分别为88.0%、81.3%。（3）搭建了车辆检索与识别系统,对部件信息蒸馏（CID）算法在车辆检索与识别任务中的应用进行了探索。先利用卡口车辆图像以及CID算法,训练出车辆识别模型,再将其应用到系统中,分别构建了离线车辆检索系统与在线车辆识别仿真系统。此处的车辆识别网络对车辆进行精细分类,即可以识别出相同品牌车辆下的不同型号。离线车辆检索系统可以在卡口车辆数据库中检索符合条件的车辆;在线车辆识别仿真系统主要针对于道路监控,可以对监控视频中的车辆进行实时识别。最后分别构建了离线检索系统与在线识别仿真系统的图形界面,并在卡口车辆数据集与真实道路视频上进行测试,验证了论文研究内容的有效性。