细粒度车型识别在智能交通中起着重要的作用,其目的是对车型图像识别出车辆的具体款式信息,如制造商、型号、年款等。由于同一车型因姿态、视角等不同造成较大的外观差异、不同车型之间的外观差异极小和细粒度车型数据集较少,导致车型识别的准确率不高。因此,本文旨在通过设计特征提取能力较强的卷积神经网络（CNN）和使用数据增强技术扩大实验样本数量来提升细粒度车型识别的准确率。主要研究内容如下:（1）为了增强CNN的特征提取能力,本文提出了一种基于通道空间混淆注意力机制的车型识别网络。基于注意力机制的方法有很多,为了挑选最好的注意力机制,首先在CNN中分别引入了改进的三种注意力机制模块:通道注意力模块、空间注意力模块和通道空间混淆注意力模块,使CNN可以关注到车型图像的局部特征。其次,注意力模块的嵌入方式对模型性能有很大影响,因此本文提出三种注意力模块的嵌入方式:串行方式、并行方式和残差方式。通过对比实验分析得出,并行方式下通道空间混淆注意力机制模块的嵌入可以让CNN关注到更有判别性的局部信息,为CNN带来最优的提升效果。（2）为了进一步提升细粒度车型识别的准确率和解决随机数据增强效果不佳的问题,本文提出了一种基于语义信息的数据增强网络。该网络通过双线性注意力汇集构建局部关注模块,用以获得具有语义信息的表征数据。因为这种数据关注到了车型局部细节特征,因此能够有效增加网络的训练数据,提高模型的准确率。此外,为了增强模型特征的表达能力,在局部关注模块之前并行嵌入了通道空间混淆注意力模块。实验表明,本文提出的语义数据增强方法可以进一步提升细粒度车型识别准确率。（3）针对实验发现通道空间混淆注意力没有考虑到判别力问题,因此本文提出了一种基于反事实注意力的车型识别网络。该网络利用反事实因果关系来学习注意力,为评价注意力的质量提供了一个强力的工具,从而指导网络学习更多有判别力的细粒度特征。此外,为了提升模型的前向传播能力,网络采用了Meta-ACON激活函数来自适应地选择需要被激活的神经元。实验表明,本文提出的反事实注意力网络在细粒度车型识别上得到了最好的效果。