随着互联网的不断进步,各类图像已成为互联网时代的主要数据媒介和信息载体,如何快速高效地提取图像的关键信息并对图像进行准确识别是当前的主要问题。细粒度图像识别和传统的图像识别有所区别,是指对某大类物体对象中区分出不同子类。由于细粒度图像具有子类间差别小和子类内差别大的特点,所以在计算机视觉领域中,细粒度图像识别成为一项具有挑战的研究任务。双线性卷积神经网络可以在只有图像标签的情形下实现端到端训练,从而成为了目前细粒度图像识别的主流模型。本文将围绕细粒度图像识别模型展开研究,提出基于卷积神经网络优化的细粒度图像识别模型。该模型解决了两个问题,一是如何有效获取网络的浅层特征,并将浅层表面特征与深层抽象特征进行融合识别。二是如何借助现有较少的标注样本信息,或借助只有图像标签标注的数据样本信息训练出具有良好性能的模型。为保证通过细粒度图像识别模型可以获取有用的浅层特征并将深层特征与其加以融合,本文提出基于特征融合的细粒度图像识别模型。鉴于网络的深层特征与浅层特征对图像识别的作用不同,本文将双线性卷积神经网络进行了改进,利用高分辨网络构造双线性网络,可以便于网络实现多次的特征融合,从而提升网络的识别准确率。本文将所构造的网络在CUB-200-2011鸟类数据集以及汽车数据集Stanford Cars上进行测试,并与Lin所提出的双线性卷积神经网络以及3种常见的细粒度图像识别模型进行对比试验,验证了该方法的有效性。为保证细粒度图像识别模型可以在较少训练样本的情况下也有较强的学习能力,本文提出基于小样本训练的细粒度图像识别模型。该模型考虑到目前的可标注数据样本较少,提出利用原型网络对小样本的细粒度图像进行训练。本文使用Mobile Net网络和Res Net-18网络构造的双线性网络作为原型网络的嵌入函数,将测试集的标注样本映射至嵌入空间并取均值,得到类别原型,最后计算验证集的特征向量与类别原型之间的欧氏距离并对其进行分类。利用此方法能够迅速地从少量样本中学习特征,进而将图像样本进行准确分类。本文将所构造的网络在CUB-200-2011鸟类数据集以及汽车数据集Stanford Cars的抽样子集上进行测试,并与3种常见的小样本学习模型进行对比,得到的识别精度均高于其他网络,验证了该模型具有识别准确率高、泛化能力强的特点。