地标建筑作为人类日常生活环境中的重要特征,如果能在真实环境下针对特定场景的建筑实现精准识别,可以为智能导航、交通、旅游、定位等提供重要支持。随着人工智能和移动物联网技术的快速发展,为在移动终端上识别高分辨率的地标图像奠定了基础。当输入图像与训练数据库中的地标图像分布相同时,深度神经网络能获得优秀的地标图像分类效果,然而当输入为新的未知图像或者异常数据时,神经网络往往会错误地输出高概率预测。神经网络能否准确检测出异常外分布样本,对计算机视觉应用到实际环境中至关重要。另一方面,由于目前的卷积神经网络过分追求精度,网络越来越深,复杂度也越来越高,臃肿的网络模型在移动终端上运行会导致内存不足和响应速度过慢的问题。因此研究能在移动终端上高效运行的轻量化地标识别网络也至关重要。综上所述,本论文针对特定场景下的地标识别会受到外分布数据干扰的问题,通过采集对应的地标数据集,提出了一种基于OE（Outlier Exposure）与置信度估计的开集地标识别方法。基于该方法对多种轻量化神经网络进行改进和对比,使模型不仅轻量高效地预测任务内地标类别,还能有效排除未知图像干扰。最后本论文在移动终端上开发了相应的地标识别软件,用户只需拍照就能实时获取地标和方位等信息。具体地,本论文的研究内容包括以下几方面:（1）针对神经网络在地标识别中无法排除未知样本的问题,本文提出了一种基于OE与置信度估计的开集地标识别方法,该方法能显著排除异常图像干扰,并获得高准确率的地标识别结果。通过在训练期间引入第三方辅助训练集和置信度概率机制,来泛化网络的外分布检测能力。将待测图像的置信度概率与阈值进行比较,即可判断输入图像的分布与地标类别。（2）针对移动终端计算能力有限的问题,本文基于所提出的方法,对多个网络进行改进,使其具备地标分类和置信度概率预测的能力。通过大量实验和多个度量指标进行对比,可针对不同设备综合选择合适的地标识别模型。（3）针对特定场景下的地标识别任务,本文面向移动终端设计了地标识别软件,用户只需拍照就能立刻获取对应地标和方位等信息。经过测试,该软件在实际环境中能有效排除异常图像干扰并高效准确地预测地标类别,具有高并发、识别速度快等优势。本文面向特定场景的地标识别任务,通过所采集的地标数据集,研究如何在真实环境下,有效检测外分布异常,并高准确率地完成内分布地标预测。通过大量实验和对多个模型对比,证明了所提出的开集地标识别方法的有效性和实用性。同时本文针对移动终端设计了开集地标识别程序,能实时准确地获取地标方位等信息。