长期以来,细粒度图像分类作为传统图像分类的一个细分方向,在现实世界的场景中有着广泛的实际应用需求。细粒度图像分类追求更加细致的类别划分,比如,输入一张鸟类的图像,可以对目标物体的具体子类别进行准确识别。显而易见的,细粒度图像分类相比传统意义上的图像分类提出了更高的要求。细粒度图像分类问题最大的挑战在于样本的类间差异小、类内差异大。为了解决这个问题,聚焦于近年来使用深度学习方法在细粒度图像分类问题上的应用,本文首先引进了空间通道相互之间的非线性信息,利用注意力机制进行数据增强学习,提出基于挤压激励模块的弱监督数据增强分类算法;然后更进一步的,在数据增强的基础上采用渐进式训练方法,使得注意力机制与多粒度信息互为补充,提出基于弱监督数据增强的渐进多粒度训练分类算法。本文研究的主要工作概括如下:（1）基于挤压激励模块的弱监督数据增强分类算法。空间通道信息可以使网络更好的学习具有区分性的类间区别,结合特征通道之间的非线性关系信息,比单纯的对图像进行特征提取更具有优势。在本算法中,首先,将特征骨干提取网络和挤压激励网络进行融合得到特征提取网络,增强了网络对于特征通道互相之间非线性关系的特征学习能力;其次,配合后续基于注意力机制的数据增强方法,使得网络的特征学习与弱监督数据增强形成一个相互加强的过程。更进一步的,参数初始化来初始化网络的模型参数,使得在反向传播的学习过程中更加高效;同时,标签平滑正则化对样本标签的编码进行预处理,使得模型的泛化能力得到加强。该算法相比传统的细粒度图像分类方法,取得了更加优秀的分类精确度。（2）基于弱监督数据增强的渐进多粒度训练分类算法。因为关键部位的尺寸大小不固定,仅仅考虑图像的粒度信息会出现对特征部位定位不准确的情况。注意力机制可以有效的解决这个问题,以注意图为指导可以令网络精准的定位到各个关键区域,避免了无关背景信息的干扰。注意力机制配合多粒度信息,可以在特征提取的多维度层次互为补充,在实际的图像分类取得更好的效果。在本方法中,首先,使用了层次相对较深的分阶段的Res Net网络提取图像特征;同时,由随机的拼图补丁生成器生成各个阶段不同粒度的图像样本,每一次训练一个层次的网络。然后,将基于注意力机制的数据增强方法融入到算法里面,以注意力图的信息为补充,强化对图像数据可区分部位信息的挖掘;最后,基于注意力图的二阶段预测方法来进一步提升模型的性能。实验表明,模型的总体性能已经达到了目前先进的算法效果。