图像分类（识别）任务是一个经典的计算机视觉任务,在学术研究中,通过对这一任务的深入研究,推动了整个计算机视觉领域,甚至深度学习领域的发展;在日常生活中,图像分类技术在社交媒体、医学影像、安防监控、遥感成像等领域发挥着重要的作用。受设备性能受限、成像环境复杂、成像距离过远等因素影响,用于分类的图像会无可避免地遇到降质,形成低分辨率图像。低分辨率降质会导致图像中信息丢失,从而降低图像分类精度。为了提升低分辨率图像分类的准确率,需要对图像中损失的信息进行重建。然而,现有的重建方法通常面临着两个问题:（1）重建模型参数量和运算量过大,导致实际应用成本过高。（2）重建算法依赖语义标签,当没有语义标签用于训练时算法会失效。针对以上问题,本文进行两方面的研究:针对第一个问题,本文中提出了一种基于双向映射网络的低分辨率图像分类方法,实现了推理速度与分类精度之间的平衡。受低分辨率与高分辨率图像之间的转换互为逆操作这一特性的启发,本文中利用可逆神经网络设计了一个轻量的双向映射网络。该网络将低分辨率图像分解为高频与低频两种信息,并利用可逆神经网络对这两种信息进行增强。此外网络通过对逆向任务的学习为低分辨率图像增强提供了辅助信息。最后,通过引入采样模块进一步降低了运算量。实验结果表明,本文中提出方法能以较少的参数量和运算量达到与其他方法类似的分类精度。针对第二个问题,本文中提出了一种基于长距离特征依赖捕捉的低分辨率图像分类方法,摆脱了对语义标签的依赖。本文通过统计实验分析了不同结构的低分辨率图像特征在深度表示空间中的分布,揭示了低分辨率这种降质会导致有不同结构的图像块在深度表示空间中有相似的特征分布这一规律,从而提出了一个基于自注意力机制的特征增强网络。该网络通过自注意力机制来捕捉长距离特征依赖关系,用于消除局部降质特征的歧义性。本文中利用预训练的分类网络提取清晰图像的特征,用于训练特征增强网络的监督信号,从而消除了对语义标签的依赖。实验结果表明,在不同倍率降采样的低分辨率数据集和不同的分类网络上,本文中提出的方法均可以显著提升分类精度。