得益于人工智能理论的进步和计算机硬件水平的提升,计算机视觉技术在近年来得到了快速的发展,与计算机视觉技术相关联的实际产品也逐渐走入了我们的生活。图像识别技术是计算机视觉技术的一个重要的研究领域,其根据识别场景又可分为粗粒度图像识别技术和细粒度图像识别技术。过去几年中,大部分的研究集中在粗粒度图像识别技术中,但受到实际应用场景的驱动,对细粒度图像识别技术的研究得到了越来越多的关注。相比于粗粒度图像识别技术,细粒度图像识别技术是对同一大类下的细分子类目标进行识别分类,因此该技术对应的任务场景的难度更高。本文基于深度学习方法,对使用弱监督信息完成监督学习的细粒度图像识别算法模型进行了研究,并使用相关数据集对所研究方法的识别效果进行了实验验证。本文的主要工作可分为以下三个部分:（1）针对细粒度图像的特点,本文以提高算法模型对不同级别特征的提取能力和减小图像风格对模型带来的干扰为切入点设计了IBN-LANet。该网络使用了深度层次聚合网络为架构,在网络归一化层中引入了实例-批归一化方法。通过这种设计,网络提升了对细节特征的提取能力,同时对输入图像数据中不同的图像风格有了更好的鲁棒性,从而提升了其对细粒度图像的识别能力。在相关细粒度图像数据集上的实验结果表明,该网络模型达到了优秀的细粒度图像识别正确率。（2）基于提升网络的特征表达能力,保留更多网络在卷积层中提取到的细节特征信息的目的,本文在第一部分的工作内容的基础上进行了进一步探究。针对细粒度图像识别任务的要求,本文分析了在卷积神经网络中数据由特征图过渡到特征向量时丢失过多细节特征的缺点,之后在第一部分工作的基础上对网络的全局池化层进行了改造,设计了FG-Net和FG-LANet。这两种网络的特点是添加了全局协方差池化层的设计,通过使用二阶统计量协方差替代一阶统计量均值作为池化输出,极大地丰富了在池化后的特征向量中包含的特征信息,提高了网络对细节特征的表达能力。本文在相关细粒度图像数据集上对这两种网络进行了实验,结果表明FG-Net和FG-LANet在细粒度图像识别任务中有着优异的识别效果。（3）为了对本文所设计的算法模型进行更多探究,除了细粒度图像数据集外,本文还使用了大型图像数据集ImageNet 2012对所设计的三种网络进行了实验。结果显示本文所提出的模型结构设计在1000个分类数量的图像识别任务中同样取得了优异的识别效果。这表明了本文所设计的网络结构具有很好的泛化性能,可以在更多图像识别任务中进行进一步探究。