随着深度学习的发展和计算机硬件资源的提升,计算机视觉领域中的通用图像识别任务已经取得了出色的成果,而对于需要识别某一类别下具体子类的细粒度图像识别任务,由于其存在子类类内差异大、类间差异小的特点,即便使用最先进的卷积神经网络也很难取得准确的分类结果,因而成为目前的热门研究方向。鸟类与自然生态和人类生产生活都有着密不可分的关系,准确识别鸟类对相关从业者和鸟类爱好者都具有重要意义,因此从计算机视觉角度上对鸟类进行有效地识别分类,是一项具备较高研究价值和广阔应用前景的有挑战性任务。本课题选择手动构造的鸟类图像数据集和加州理工学院发布的公开数据集作为研究对象,在分析并使用一些常见数据增强方法用于扩充训练数据后,再对训练数据进行必要的预处理。随后使用三种图像识别算法在数据集上进行实验,首先选择采用基于迁移学习的方法,对预训练的模型进行微调,将结果作为本文任务的baseline;其次提出一种基于显著性图的识别方法,将关键部位区域的裁剪图像与原始图像输入两个卷积模型,对最终结果进行共同决策;最后提出一种基于类激活映射图的数据增强方法,生成更特殊的图像用于训练,具体包括对注意力区域的裁剪、遮挡和形变采样,从而有效增强模型的特征提取能力。在训练出具有较高准确率的识别模型后,经过需求分析与总体设计,开发实现了一个基于浏览器端的鸟类细粒度图像识别系统,具有上传并识别分析、数据存储、日志收集等功能,并且能够提供良好的用户交互。本文探索在只有图像级标签的情况下实现一个基于深度学习且具有较高分类准确率的鸟类细粒度图像识别算法,经过反复实验和对比,由类激活映射指导的数据增强方法,在公开数据集上的分类准确率为88.2%,不弱于现有的先进算法,且其识别效率较高并具有良好的可解释性,这种更具针对性的数据增强方法也为今后鸟类细粒度分类任务开拓了新的研究方向。