随着计算机硬件、软件及互联网技术日新月异的发展,作为信息传播、存储媒介的数字图像呈数量级式的增长。如何让计算机自动的理解图像内容,进而进行有效的分类、管理和检索推荐等,成为了学术界和工业界亟需解决的难题,场景图像识别任务也成了计算机视觉领域的一大研究热点。场景由目标对象在不同空间位置上组合而成。然而,目前大部分场景识别方法基于图像全局信息而忽略了局部目标的重要性,少数基于场景目标的识别方法往往产生大量的区域候选框,增加了计算压力和识别时间。因此,本文基于局部感知,对场景识别任务进行了深入探究。论文主要工作如下:(1)本文提出了基于核心场景子图的场景图像识别方法。通过观察我们发现:同类场景中的实体目标具有相似性。因此,该方法首先通过对每一类场景图结构进行分析,挖掘出核心场景子图,然后利用核心场景子图和场景全局信息迭代学习一个双向增强的知识空间,最后利用此空间进行场景图像分类。实验结果表明了算法的有效性,提高了场景分类准确率。(2)本文设计了一种基于循环记忆注意力机制的场景图像识别模型RMAN。不同于以往强监督的识别方法,RMAN通过注意力定位模块循环感知不同的场景区域,最后利用LSTM结构记忆特征并进行分类。该算法实现了端到端的场景识别,在多个数据集上表现了良好的分类性能。