珍稀鸟类跟踪保护一直是动物保护领域的关注重点之一,随着监控设备的普及与视频处理技术的发展,在野外环境下实现全天时无人值守的智能化鸟类观测已成为研究热点。但是,目前学术界针对鸟类智能识别的主流方法是以深度学习等思路为主,此类算法大多对待观测目标的数据量有很大的要求,这就与珍稀鸟类数据量较少的现实发生了矛盾。针对这一现象,本研究提出了部件级多特征融合的珍稀鸟类稀疏识别方法。考虑到鸟类图像目标在头部和身体等关键区域的几何复杂性,区别于传统处理方式以完整鸟类图像为待处理对象,文中采取从图像中获取鸟类部件以后再进行处理的方法进行识别。本文的主要工作如下:(1)调研了常用的鸟类图像精细识别的算法,分别对部件检测、特征提取与融合以及分类器设计三部分内容的研究现状进行了介绍。在部件检测部分,详细总结了目前较为典型的部件检测算法以及给出了本文的获取鸟类部件信息的方法;在特征融合与提取部分,介绍了特征融合的三个级别,针对本文研究课题选择了合适的特征融合方法以及选用了适合鸟类图像的特征;在设计分类器部分,说明了典型稀疏求解的算法的异同点,并利用实验对比了各个算法的优劣,最终确定稀疏求解最优算法。(2)深入了解鸟类图像精细识别的发展状况,并梳理了精细识别的发展历程,列举了目前为止鸟类图像精细识别领域取得较好效果的算法。并通过总结已有方法得出,部件信息的精确定位对提高识别率具有重要作用。基于此结论,本方法详细阐明了现有鸟类图像部件检测算法,针对现有算法的局限性以及珍稀鸟类图像数据量小的特点选择本文鸟类部件获取方法,并做了一系列对比实验,根据实验结果分析了部件检测对鸟类图像识别的作用。(3)本文在获得鸟类部件信息的基础上,提出了一种基于特征融合理论的鸟类图像部件级多特征融合算法来解决鸟类图像部件信息的表征问题。文中首先调研了特征融合的典型方法,并根据课题特点选用基于特征级的融合作为特征融合的方法,融合的特征是颜色、全局以及局部梯度特征,本文的特征融合算法首先分别提取部件以及全局图像的三种特征,并分别将三种特征进行归一化,最后利用串联的方式将特征进行融合。(4)文中进行最终鸟类图像的分类选用的分类器是稀疏表示分类器,将特征融合之后的鸟类图像的特征作为稀疏表示字典的原子,每一类鸟类图像作为一个类字典,所有训练图像组成了稀疏表示的字典矩阵,最后求得测试图像特征在训练集所组成的字典下的稀疏系数,并根据稀疏系数的性质确定待分类鸟类图像的类别,在求解稀疏表示系数的过程中,本文选用了贪婪迭代以及凸优化两类求解算法,并通过对比实验确定最佳求解算法。最后,方法以CUB-200-2011鸟类数据集为主要实验对象,验证本文方法的分类效果,并提出了一些需要改进的地方并对今后研究工作进行了展望。