近年来,由于深度学习在图像,语音以及自然语言处理等领域表现出的优异性能,被大量应用于解决实际问题。细粒度图像识别是图像识别中的一个细分领域,主要指对属于同一个基本类别下的不同子类别进行图像分类这一任务。由于细粒度类别中类间差异较为细微,与一般的图像识别任务相比,更具挑战性。本文主要研究细粒度图像识别相关算法,以及这些算法在昆虫形态分类上的应用。针对细粒度图像识别问题,本文首先分析了这一任务中的关键问题,然后提出了利用卷积网络的注意机制进行细粒度图像识别的模型,模型中包含几个部分:1.利用深度卷积网络中卷积特征在空间维度的注意机制,构建的基于目标级别和部件级别注意的深度卷积网络,通过逐层放大有辨识性区域的方式,让模型学习更加细粒度的特征;2.基于卷积特征在通道维度的注意机制,和通过目标和部件的空间几何关系构造的空间约束损失函数,共同让模型关注的有辨识性的部件区域具有多样性。在CUB200-2011,Stanford Dogs和Stanford Cars等细粒度图像分类公共数据集上的实验结果,证明了上述模型的有效性。此外,针对生物图像细粒度分类的特点,本文提出了层次分类网络,能够在对生物图像进行细粒度识别的过程中使用不同类别间的结构信息,在一定程度上提高分类准率。最后,对于复杂背景中的细粒度图像的检测问题,本文提出了先用检测网络区分前景和背景,再用专门的细粒度识别网络对检测框中的物体进行识别的两阶段方案,实验结果证明了这一方案的科学性。最后,本文将上述方法分别应用于对有害昆虫和野外拍摄的蝴蝶图像的细粒度识别之中。实验结果表明,上述方法对于基于图像的昆虫形态分类有较高的精度,证明了本文的方法用于处理实际问题的可行性和有效性。