弱监督的细粒度图像识别仅使用图像级别标签来区分每个大类中不同的数百个子类。由于具有类内差异大类间差异小的特点,细粒度图像识别是一项极富挑战性的任务,目前主流方法主要关注判别性语义区域的定位。由于目前方法忽略了区域之间是相互关联的并且区域组合更具区分性的事实,他们独立地并且直接地从高级特征图定位最具有判别性的区域,因此降低了挑选区域的判别性。针对这个问题,我们提出了区域分组学习,它通过相关性指导的判别学习和图传播相关性学习来充分挖掘和利用相关的判别性,来准确并隐含地定位出判别区域组合。此外,本文也发现了由于堆叠卷积局部感受野的操作,卷积神经网络会导致高级特征图中的判别性区域扩散的问题,从而导致不准确的判别性区域定位。针对判别性扩散的问题,我们提出了低秩表征学习,它通过学习一组区分性的低秩基底来恢复低秩特征图,从而解决了这个问题,并找到了更好的细粒度特征。对于区域分组学习,本文提出了一种端到端的关系引导的判别学习模型,以通过挖掘全局和局部间的关系来隐式地挑选判别性区域组合,并增强判别性特征向量中的判别元素,同时抑制其中的无用元素。本文还提出了一种基于端到端图传播的相关区域组合学习模型,以通过考虑其上下文信息来增强单个区域,并通过图传播的机制来学习判别性区域分组,最后通过图卷积神经网络在选定的判别性区域之间执行判别性信息交互,增强特征地判别能力。对于低秩表征学习,本文提出了端到端的判别性特征导向的高斯混合模型,来解决判别性区域扩散的问题并找到更好的细粒度判别性特征。本文认为,由于堆叠局部感受野的操作,卷积神经网络会导致高等级特征图中的存在判别性区域扩散的现象,从而造成了不准确的判别性区域定位。本文通过高斯混合模型来迭代地学习一组判别性基底,来准确地选择判别性细节并过滤高级语义特征图中的不相关信息,然后将学习到的低秩基底信息恢复到原始坐标空间得到新的低秩特征图来挑选判别性区域。大量实验证明了所提出算法的有效性,并表明提出的模型在CUB Bird,StanfordCars和FGVC飞机数据集的准确性和效率上均达到了更好的性能。