计算机视觉识别技术是一个基础性研究话题。近年来,随着软硬件技术的快速发展,相关研究也取得了显著的突破,涌现出很多实用性成果,例如人脸识别、车牌识别以及图像搜索等,大幅度提高了工业生产效率并改善了人们生活质量。随着数据复杂度的增加,视觉识别技术的研究面临着很多新挑战问题。其中,数据类间相关性分布不均匀和类间数据分布不平衡是两种较为有代表性的问题。为了降低这两个问题对视觉识别性能的影响,本文分别从结构增强和数据增强两个角度展开研究,具体内容如下:(1)基于层次结构的模型增强方法。本文以层次结构模型为基础研究了如何降低类间相关性分布不均匀问题对视觉识别性能的影响。首先,利用视觉数据类别之间的语义关系,构建层次概念本体树结构并用于组织具有类间相关性的语义对象类。在此基础上,研究了一种新的基于概念本体树的层次网络模型,以增强传统的平坦深度学习网络。最后,以具有天然层次结构的服装图像为例,验证所研究层次结构增强方法的有效性。实验结果表明,该方法能够有效地提高传统平坦深度网络模型的识别性能。此外,从知识蒸馏的角度出发,探索了层次深度网络模型的增强方法,进一步提高了所提出层次模型的准确率。(2)基于数据混合的模型增强方法。本文从数据增强的角度出发研究了如何降低类间数据分布不平衡问题对视觉识别性能的影响。首先,基于传统的类间数据增强技术,研究了基于层次数据混合的深度网络模型增强方法。通过对不同类别数据的层次混合,实现了类间数据的交叉增强,缓解了网络参数学习对类内训练样本需求大的问题,提高了深度模型的拟合能力。其次,通过改进数据混合机制,将数据混合方法推广应用于增强三维点云识别。通过对点云数据的特点分析,分别探索了基于点随机混合和基于特征随机混合的模型增强方法。在标准数据集上的实验结果表明,所研究的方法能够有效地提高视觉识别准确率。为了提升模型识别的性能,本文研究了基于层次结构和数据混合的深度学习模型增强方法。研究结果表明,本文所研究的方法在多个方面取得了较好的成效,对后续视觉识别相关工作有着借鉴意义。