细粒度视觉分类由于其子类内的巨大差异和子类间的较小差异,使其成为了一项非常具有挑战性的任务,但是目前基于强监督信息的方法过渡的依赖于标注信息,而标注信息的获得成本十分昂贵,导致其很难在实际生活中应用。因此,基于弱监督信息的细粒度分类研究就具有极为重要的现实意义。为此,本文分别从整体局部区域和特征交互两个角度入手,提出了两种基于弱监督信息的细粒度分类方法,主要工作如下:（1）局部区域在细粒度分类中扮演着重要的作用,但是如何更好的定位到具有判别力的局部区域和融合更多的局部特征呢?为此,本文提出了一种基于整体和局部特征融合的多模块细粒度图像分类方法。主要思想是为了融合更多的具有辨别力的局部区域,采用了粗分类和细分类两条分支,其中基础模型作为粗分类分支,而利用随机选择的局部特征与原始图像的映射作为细分类分支的输入,来不断的优化整个模型的分类效果。另外为了减少随机选择的噪声,采用了一个中心损失来不断的拉近其与全局特征的距离,同时使用注意力融合的方式使模型更加关注到具有判别力的区域。通过在细粒度领域公开的三大数据集上的实验,充分证明了提出方法的有效性。（2）基于双线性池化的模型在细粒度领域表现出了不俗的效果,但是它在传播过程中忽略了重要的层间语义关系,且没有尝试更高阶的池化方法,为此,本文提出了一种基于双线性的高阶统计细粒度图像分类方法。主要思想是通过跨层的三线性池化方法来计算三个特征层间的三阶相互作用,然后将不同组合的三阶交互特征融合形成最终的表示形式,并且通过与注意力机制和度量学习的方法相结合,获得了叠加性的改进效果。该方法较双线性方法有了长足的进步,并已经在细粒度领域公开的三大数据集上取得了目前该领域的最佳分类效果。