近年来,深度学习受到了越来越多的关注和研究,同时推动了很多图像识别相关领域的实际应用。本文以深度学习为基础,研究了它在细粒度图像识别中的应用,包括细粒度生物图像识别和人体再识别。细粒度生物图像识别根据图像中的生物目标进行分类;人体再识别技术是视频监控的基础,任务是对不同摄像头下的人体图像进行匹配。人体图像之间差异很小,区分不同个体可以看作广义的细粒度图像识别任务。本文主要分为以下两个部分。1、本文设计了层次分类网络对生物图像进行识别。不同的生物在分类学上对应于不同的层级,可以组织成树形结构。由于以往的方法大都忽略了类别间的层次信息,仅仅在最低层级分类。针对此问题,本文设计了一种层次分类网络。该网络从上至下进行分类,每个子分类器只对同一父节点下的类别分类。下层识别的种类差异更小,以此学习图像中更精细的特征。实验结果表明,相较于忽略类别间信息的扁平分类网络,层次分类网络的运算量几乎没有增加,分类准确率得以提高。2、在人体再识别算法中,本文利用了简化的双线性卷积神经网络,并在全局特征中融入了精细的局部特征。双线性卷积神经网络最初是为解决细粒度的图像识别问题提出的,提取到的双线性向量维度较高,不利于后续计算。为了解决此问题,本文采用了其简化方法进行降维。针对主干网络特征图的尺寸较小、无法充分保留人体局部特征的情况,我们添加了额外的浅层网络,来获取更精细的局部特征,并融合到主干网络的全局特征中。在网络的目标函数上,本文选取了直方图损失函数,该方法对样本的利用率更高,而且避免了人体再识别中常用损失函数中的参数设定。实验结果表明,本文的方法比相关方法性能有明显提升。