由于细粒度图像其不同类别之间的差异较小,需要大量精细的人工标注数据用于训练,但是这类数据的标注任务耗时且需要相关专业人员进行。为了解决这个问题,本文将互联网上获取的图像作为训练集用于细粒度图像分类。由于网络数据集中含有大量标签噪声,如果直接用于神经网络训练,反而导致较差的分类效果。因此本文通过去除噪声图像或修正图像的噪声标签,让深度神经网络在网络数据集上进行鲁棒地学习,主要开展的研究工作如下:1.针对从互联网获取的图像标签含有噪声的问题,提出了一种基于双网络联合标签修正的网络图像数据集去噪方法。该方法通过使用两个深度神经网络,分别进行学习和样本选择,并联合两种选择结果区分干净样本、真实标签存在于数据集中的内部噪声和真实标签不存在于数据集中的无关噪声,修正内部噪声的标签,联合干净样本一起用于神经网络训练。在三个网络数据集上与其它去噪算法进行了对比实验,验证了本文所提出方法的有效性。2.针对网络图像数据集中的无关噪声和内部噪声难以区分的问题,提出了基于不确定性动态损失修正的网络图像数据集去噪方法。该方法通过记录深度神经网络对训练样本的最近几次的预测结果,计算每个样本的不确定性,并以此动态地修正训练样本的损失,根据不确定性动态损失去除无关噪声。通过对比实验验证了本文所提出方法的有效性。3.针对网络数据集中的实际噪声率未知的问题,提出了基于高斯混合模型全局样本选择的网络图像数据集去噪方法。该方法通过使用高斯混合模型和EM算法拟合训练数据的归一化损失,自动地区分出干净样本和噪声样本,选择干净样本用于神经网络梯度更新。三个网络数据集上的对比实验证明了本文所提出方法的有效性,且实验证明,通过加入本方法的全局样本选择技术,第二个工作的准确率得到提升。