细粒度图像检索任务主要分为细粒度图像识别子任务和图像检索子任务,它在生物多样性监测、气候变化评估、智能零售、智能交通等领域都起着必不可少的关键作用。与粗粒度的图像不同,细粒度图像通常属于同一大类下的不同子类,不同类之间在外观上有着相似性,而相同类之间在姿态上千变万化,所以细粒度图像具有类间距离小、类内距离大的特点。这增加了细粒度图像分析的难度。为了解决目前存在的问题,本文对细粒度图像分析进行了系统的研究并提出了一系列的解决方案。具体的研究内容和创新点如下:首先,本文提出了一个轻量级的细粒度图像识别算法。过去的细粒度识别算法为了追求高精度,使用了有效但复杂的特征提取网络。然而,大型网络很难移植到移动端或嵌入式设备上。所以,本文用轻量级的Pelee Net取代了常用的Res Net作为特征提取网络,大大缩小了模型大小。但轻量级网络缺乏强大的特征表示能力,所以本文又创新性地提出了跨层多尺度的Non-Local模块,以捕捉不同尺度的特征及其之间的关联。接着,本文提出了基于深度哈希的细粒度图像检索算法。检索任务不仅要求精度高,还要求速度快、存储低。此时,将高维数据转换为低维编码的哈希算法就展现了它的优势。哈希算法在保留原始数据之间相似性的同时,以更少的计算量完成近似近邻搜索。所以,本文在之前提出的轻量级细粒度图像识别网络中加入哈希编码层,以完成检索任务。并探究了在细粒度图像检索任务中将哈希层前置的可解释性原理。其次,本文针对深度哈希网络难以进行离散优化提出了一系列的改进策略:一是利用连续松弛策略进行优化;二是在损失函数中添加了量化约束和位平衡约束,用来生成量化误差小、包含更多特征信息的优质哈希码。最后,本文在三个经典的数据集上做了广泛的实验以验证各项工作的有效性。实验结果表明,本文方法与最先进的方法相当,甚至在一些实验中超越了最先进的方法。