鸟击事件会威胁航空安全,驱赶机场及其周边的鸟类是保障航空安全的一项重要的工作。有效驱鸟的前提是了解鸟情,掌握鸟类的生活习性,但在鸟情调查工作中,人工识别鸟类的效率较低,而且需要掌握大量的专业知识,难度较大。因此,本文利用深度学习中的弱监督学习实现机场鸟类图像识别,协助机场工作人员调查鸟情,提高鸟情调查工作的效率。鸟类数据集通常较小,而且鸟类的可区分性特征不明显、局部标注成本高,这些都给鸟类图像识别任务带来了挑战。本文针对鸟类图像识别的难点,以自建的机场鸟类图像数据集APB-20和公开的鸟类数据集CUB-200-2011为研究对象,提出了两种基于弱监督学习的机场鸟类图像识别的方法。在基于目标定位的鸟类图像识别方法中,首先结合迁移学习的思想,使用EfficientNet-B3网络进行特征提取,然后利用特征聚合的方法简单而高效地定位出鸟类目标所在区域,使模型能够从两种不同尺度的图像中提取到丰富的鸟类信息,最后整合信息,识别图像。在基于双线性注意力池化的鸟类图像识别方法中,模型通过双线性注意力池化直接提取出鸟类图像的多个局部特征,同时,为了降低模型的过拟合风险,本文提出了基于注意力区域的图像增强方法,并设计出合理的损失函数,在保证原图像和新生成图像正常训练的同时,减少同类特征间的差异。本文所提出的两种方法都能提高模型的识别准确度,相较于基于目标定位的识别方法,基于双线性注意力池化的方法效果更好,在APB-20上达到了 99.8%的准确率,在CUB-200-2011上达到了 88.1%的准确度,验证了模型的有效性和泛化性,为今后研究打下了坚实基础。根据训练好的模型,本文实现了机场鸟类识别系统,为机场的鸟情调查工作提供了便利。