随着人工智能技术的快速发展，图像识别在日常生活中得到广泛的应用。作为图像识别研究中的一个重要分支，细粒度图像识别旨在对同一大类中的多个子类别进行更细致地识别与分类。由于不同子类别具有较大的类内差异和较小的类间差异，区分多个子类别通常需要专家级的领域知识，目前的方法主要采用特征编码技术来学习细粒度物体的判别性属性。然而当前的特征编码方法存在计算复杂度较高，缺乏可解释性以及难以有效利用神经网络中不同卷积特征间的互补信息等问题。针对以上问题，本文提出新的特征编码算法，降低了网络模型的计算复杂度，并利用不同卷积特征间的互补信息有效提高了细粒度图像识别的性能。
　　针对现有特征编码方法难以有效利用神经网络中不同卷积特征间互补信息的问题，本文提出了分层双线性池化模型(Hierarchical Bilinear Pooling, HBP)，采用跨层双线性编码算法，引导神经网络学习不同卷积特征间的交互信息，有效地提高了神经网络的特征表达能力。实验结果表明，与多种经典的细粒度识别方法相比，本文模型在三个标准数据集上的识别精度都取得了明显改进。
　　针对特征编码方法计算复杂度较高的问题，本文提出了深度超球嵌入模型(Deep Hypersphere Embedding, DHE)，采用特征相位信息来编码细粒度物体的属性，有效地降低了网络模型的计算复杂度，并且特征相位能够更好地表征细粒度物体间细微的语义差异信息，提高了神经网络的学习能力。针对特征编码方法缺乏可解释性的问题，本文提出了相位激活图和类别贡献图，以直观解释深度超球嵌入网络对细粒度物体间细微差异信息的编码学习过程。相位激活图能够突出输入图像中的物体区域，具有显著的目标定位能力；类别贡献图定量地分析了神经网络的分类决策，直观展示了细粒度物体的判别性属性。实验结果表明，本文提出的深度超球嵌入模型与多种经典的细粒度识别方法相比具有较高的计算效率，并且能够精准定位细粒度物体的判别性属性区域。