随着国际间贸易的不断发展,进口货物数量大幅度增加,货物中携带的外来生物不易被发现。蝇类作为重要的病媒生物和检疫性有害生物,如果检测不及时就会导致入侵。这不仅会危害人类和动物的健康,还会影响农业生产。海关人员能否准确的检测出蝇类的种类,对于判定和防止病原体的传播,保障农业生产和减少经济损失具有重要的意义。海关人员对蝇类进行分类的场景主要分为实验室环境和自然环境。虽然海关不断加强口岸检疫设施,但在不同环境下,蝇类昆虫有着不同的分类特征和分类重难点,增加了海关分类的难度,无法准确的分类。因此,在不同环境下准确的对蝇类昆虫进行分类成为本文的研究重点。本文基于深度学习的方法,对不同环境下的蝇类昆虫图像进行分类研究。通过对不同环境蝇类图像特征的分析,论文提出了基于深度学习的不同环境蝇类昆虫分类方法。（1）针对实验室环境下的不同蝇类昆虫之间特征相似,其纹理、颜色和形态等特征差异性小,数量和种类较多的问题,本文提出了基于残差网络和注意力机制的蝇类图像分类方法。该方法采用Res Net50残差网络作为基础分类网络,通过深度可分离卷积网络优化网络。然后加入注意力机制中的卷积块注意力模块提高卷积神经网络的表达能力,提取重要的局部特征信息。最后通过迁移学习方法训练网络模型,并对蝇类昆虫图像进行分类和验证分析。（2）针对自然环境下的蝇类昆虫局部特征相似,目标较小和复杂背景干扰等问题,本文提出了基于对象区域定位和特征融合的蝇类细粒度图像分类方法。该方法首先通过梯度加权类激活映射方法定位蝇类在图像中的具体位置,得到蝇类的目标区域。然后提取图像中信息最丰富的局部区域,在局部区域提取特征时,将注意力机制模块与跨层双线性池化相结合,整合不同卷积层的特征信息。最后,融合蝇类图像的全局特征和局部特征信息进行分类和验证分析。在建立的实验室环境和自然环境蝇类昆虫数据集上,将本文方法与其他的分类方法进行实验对比。实验结果表明,实验室环境分类方法在数据集上的准确率为94.89%,自然环境分类方法在三个数据集上的准确率分别为84.34%、89.53%和93.26%。与其他的分类方法相比,本文方法对不同环境蝇类昆虫图像有着较好的分类结果,验证了本文方法的有效性。