图像分类技术在生产生活中有着广泛的应用。然而,在许多应用场景中,需要对外观十分相似的类别进行分类,传统的图像分类技术难以满足这一需求,因此细粒度图像分类就成了图像分类领域一个重要的研究方向。细粒度图像分类也有广泛的应用场景,比如自然保护区的生物识别、无人超市的商品识别、交通路口的车辆识别等,但是由于“类内差异大,类间差异小”等问题,细粒度图像分类仍然是一个具有挑战性的任务,尚无法满足实际应用的需求。本文基于细粒度图像分类技术的研究现状,结合该领域相关的理论和方法,从注意力机制和数据增广两方面出发,对现有的细粒度图像分类方法进行改进,提高了图像分类模型的判别性区域定位能力以及判别性特征提取能力,取得了良好的细粒度图像分类效果。本文的研究内容主要分为以下两点:（1）基于注意力机制的细粒度图像分类方法。卷积神经网络中的注意力机制包括通道注意力和空间注意力,是定位图像中判别性区域的有效方法。通道注意力常用全局平均池化作为通道的全局信息提取方法,但全局平均池化会丢失部分通道信息。本文则通过将一个通道的不同的频率分量结合,设计了更优的全局信息表示方法,使通道的权重分配更合理。对于空间注意力,本文用带位置信息嵌入的自注意力机制实现对空间全局信息的提取,提高了空间注意力模块所提取的特征的表达能力。本文同时使用通道注意力和空间注意力,并在Stanford Cars数据集上取得了94.7%的分类准确率,优于当前先进的方法。（2）基于数据增广的细粒度图像分类方法。细粒度图像数据集由于样本收集、样本标注方面的困难,容易遇到训练数据不足的问题,因此有必要采用数据增广方法来补充训练数据。但传统的数据增广方法没有考虑图像分类模型对数据的偏好,导致增广样本对模型的分类效果提升作用有限。本文则使用注意力机制定位判别性区域,基于判别性区域对数据进行增广,使得增广样本可以有效利用判别性区域的信息,也使得图像分类模型可以充分学习到判别性区域的特征。该方法在Stanford Cars和FGVC Aircraft数据集上分别取得了95.5%和93.4%的分类准确率,优于当前先进的方法。本文进行了一系列的消融实验,验证了上述研究内容所提出的方法的有效性。