元类别下子类别识别问题具有关键特征存在于局部区域的结构特点,解决细粒度图像识别依赖关键局部信息的选择和融合方法。细粒度识别属于类内差别大、类间差别小的典型问题,具有一般性的识别困难特点。论文以选择和融合技术为支点,在两个层次上设计选择和融合技术方案:在样本层次,设计样本级语义粒度和空间位置的选择和融合的神经网络表示;在样本集层次,选择样本集中多维度特征信息量大的批量样本进行在线标注,解决细粒度标注样本稀缺的问题。双层关键特征和样本的选择与融合的具体工作如下:1)样本层次立体语义选择和融合的神经网络拓扑结构设计:提出跨粒度多注意力网络（Cross-Granularity Multi-Attention Network,CGMA-Net）,将多头注意力算子作用于不同抽象层级特征空间,提取不同感受野和不同抽象层级的细粒度特征,从而在空间域上表达动态关注的局部感受野,在概念域上表示具体和抽象的概念关系;再通过多头注意力机制进一步融合不同抽象层级的细粒度信息,实现跨粒度级特征的动态抽取。在仅需要类别标签的条件下,增强了模型对细粒度图像的特征提取能力和不同粒度层级特征之间的整合能力。2)样本集层次关键样本选择和融合的学习模式设计:基于深度主动学习方法,解耦细粒度识别网络和无标注样本评价网络,依赖识别网络中产生的丰富语义特征,设计神经网络拓扑结构精简的样本评价网络,高效地实现了对无标注样本的不确定性度量,同时为适应深度学习中批量数据训练的特点,设计了多特征感知的深度主动学习批量采样模块,并且以半监督学习方式对模型高置信度的样本赋予伪标签。综合两种学习方法,缓解细粒度图像识别中标注数据不足的问题。3)基于以上两个理论成果,本文提出的方法在公共数据集CUB-200-2011,FGVC-Aircraft和Stanford Cars上进行了实验和比较,针对关键特征的选择和融合实验对比,表明了模型的网络设计在识别性能上的优势。实现基于深度主动学习和半监督学习方法与细粒度图像识别框架,表明了其在提高细粒度图像识别问题的样本利用率上的能力。最终验证了本文提出的方法具有可行性和有效性。