近年来随着神经网络等人工智能技术的迅速发展,图像分类在学术界和工业界都取得了突破性的研究成果。细粒度图像分类任务是图像分类领域中的热门研究方向之一,与一般图像分类不同,细粒度图像分类的目的是在同一个类别的子类中识别其细微的差异。细粒度图像中类内图像方差大,需要找到类内局部中变化小的共性;类间图像差异小,需要找到类间局部中更普遍的不同。因此,本文主要专注于挖掘图像中局部的细微差异,从而促进细粒度图像分类性能的提升。本文基于卷积神经网络和注意力机制对细粒度图像分类任务进行研究,主要包括以下三点工作:（1）在细粒度图像分类任务中,以往的大量研究主要集中在单向提取对象或局部的特征,而没有考虑对象和局部之间及其自身在不同特征层次中潜在的有用信息,导致有利于细粒度图像分类的鉴别性特征不能被充分利用。为此提出一种基于显著性的交互反馈网络,该网络建模对象及其局部的显著性、它们之间的依赖性及各自的自我校准,通过两个基于注意力的模块自适应地学习细粒度特征:首先,在初级特征学习模块中,设计对象流和局部流来分别提取对象语义相关区域和局部语义相关区域的显著性特征;接着,通过对象和局部之间的交互,以及它们自身在不同特征层次上的反馈,构建渐进式表征学习模块,目的是将显著性特征转化为具有鉴别能力的细粒度高级特征。在CUB-200-2011、Stanford Cars和FGVC-Aircraft数据集上进行了广泛的实验,实验结果表明所提出的方法优于大多数主流细粒度图像分类方法。所提方法摆脱了以往网络在对象和局部间依赖受限和自我校准不足的缺陷,使其能够为细粒度图像分类任务捕获到具有鉴别能力的细粒度特征。（2）现有的细粒度图像分类方法主要集中于从深层网络的高级特征中提取语义信息,忽略了浅层网络中低级特征的重要性,导致现有方法定位到的局部往往具有同一语义,因局部缺乏多样性影响细粒度图像分类方法的准确性。为解决此问题,提出一种基于多级特征依赖的细粒度图像分类方法。首先,设计一个基于双向路径的多级特征提取模块,通过垂直双向路径来实现低级特征的流动,提高多样性局部的定位能力,再通过水平双向路径抑制这些局部中显著的区域,以局部精炼的形式来获取更加丰富多样的鉴别性特征;接着,在长短期记忆网络中引入注意力门控,提出一个基于注意力长短期记忆网络的特征依赖提取模块,来调整各级特征中对细粒度信息的关注度,从而挖掘细粒度特征,并增强其鉴别性。在三个广泛使用的数据集上分类准确率分别达到90.8%、95.9%和95.4%,明显优于目前主流的细粒度图像分类方法。所提出的方法能够提取多级特征并建立其相互依赖,同时保证特征的鉴别性和多样性,使得细粒度图像分类的结果更加精准。（3）为了将细粒度图像分类方法进行实际应用,本文还设计一种基于注意力字典学习的轻量级细粒度图像分类方法,其包含两个轻量级模块及高效的训练和测试过程。首先,提出一种紧凑注意力字典学习的特征表示模块,对注意力加权局部特征的过程进行稀疏编码,从而获得紧凑低秩的鉴别性特征表示;然后,设计注意力引导的数据增强模块,在反馈路径上通过已捕获的注意力对关键局部区域进行裁剪和遮挡,促使网络学习更加细微且丰富的鉴别性特征;再基于增强图像进行渐进式训练,并通过高效的测试过程来提高该轻量级方法对细粒度图像的分类效果。不仅在三个标准的公开数据集上进行广泛实验,还构建一个菜品识别的真实数据集,通过一系列实验来验证所提方法的实用性。所提出方法通过紧凑特征表示及合理数据增强,能够实现细粒度图像的高效分类,且在现实的日常生活中具有实用性。