细粒度图像分类是对隶属于同一种大类、但子类别有细微差异的图像进行分类。例如,鸟类数据集里的图像均属于鸟类,但是子类别不同,需要按照子类别进行识别。与传统图像分类任务相比,细粒度图像分类更加具有挑战性,主要原因是细粒度图像具有类间差异小和类内差异大的特点,导致必须借助具有细微差异的局部区域才能分辨出不同的子类别。因此,细粒度图像分类的关键在于准确的部件定位算法,只有得到准确的部件区域,才能提高细粒度图像分类、检索等任务的性能。因此,本文主要针对细粒度图像的部件定位展开研究,提出了无监督的部件定位方法,并在细粒度图像分类任务中加以应用。本文的主要工作有以下:(1)提出了基于模式挖掘的无监督细粒度图像部件定位方法。首先,将从预训练卷积神经网络模型中提取的特征图转换为一系列事务。然后,利用模式挖掘算法从事务数据库中发现频繁模式。这些具有相关性的模式往往在物体的外观和空间结构具有一致性,并且具有强大的判别能力。受此启发,对挖掘到的模式进行合并生成支持图(Support map),以定位细粒度图像中的主要物体和判别力部件。该方法是完全无监督的,利用模式挖掘技术充分挖掘了预训练卷积神经网络模型中的语义信息和空间信息,降低了深度学习对大规模训练数据的依赖。在CUB-200-2011等细粒度图像数据集上的定位实验结果证明了依靠模式挖掘来进行无监督定位任务的有效性。(2)在部件定位的基础上提出了一种基于多层次特征融合的细粒度图像分类方法。该方法通过多分支分类网络学习整体的原图级别特征、全局的物体级别特征和局部的部件级别特征。通过加入全局平均池化和全局最大池化操作,以获取更多的统计信息用于图像特征表示。最后,融合不同分支网络学习到的特征,获得具有更强描述性和更高区分性的特征表示,训练新的分类预测层,完成细粒度图像分类。实验结果表明,相比于其他现有的细粒度图像分类方法,所提方法取得了有竞争力的分类结果,同时验证了多层次特征融合机制对于细粒度图像分类任务的有效性。