细粒度图像分类在工业界应用广泛,然而,传统的图像分类网络在细粒度图像的分类问题上往往无法达到很好的效果,因为在细粒度图像的数据中经常会出现高类内差,低类间差的情况,加之图像数据的质量参差不齐,图像中存在的噪声往往会掩盖图像内部的细节特征,因此细粒度分类问题十分具有挑战性,也引起了广泛的关注。然而细粒度图像分类网络运用于工业仍面临挑战。在目前的研究中,强监督的细粒度分类网络虽然有着较高的准确率,但却存在着标注成本昂贵的问题,而弱监督的分类网络,虽然减少了对人工标注的依赖,但是精确度却往往无法达到优秀,而对于细粒度分类网络,整体的计算量和网络复杂度都远高于普通的分类网络,因此,如何在保证较高精度的同时减小模型整体的复杂度,是细粒度图像分类网络运用于工业上的一个需要解决的问题。针对上述的问题,本文的主要工作如下:（1）针对细粒度图像识别任务中准确率低、显存占用大（batchsize为6,V100上显存占用达到14000MB）,训练时间长（8144张图片,训练1个epoch在V100环境下需要6分50秒）的情况,对多分支多注意力网络的整体结构进行优化,删减中部分支后,显存占用和训练时间明显下降,仍保持较高准确率。（2）为避免削减分支带来的精度损失,同时为了解决在工业环境中存在的数据质量不一,噪声较大的情况,本文设计了通道和空间两种软阈值注意力模块,且在分支的连接处并行引入了软阈值注意力模块来进行数据的去噪和重要特征的加强,在公开数据集上实验效果,均有约0.3%的准确率提升。在汽车数据集上达到了领先的水平,且在飞机数据集上也保持了较高的水准。（3）为提升整体的运行速度,在原本的基础上,进一步引入轻量化模块来提升整体的推理速度,通过改进卷积的方式,减小参数量,在对卷积操作进行轻量化的处理后,整体的参数量,FLOPs,推理时间得到了进一步的提升,且整体的准确率依然保持在了较高的水准。