细粒度图像分类任务是计算机视觉领域一项极具挑战的研究课题。近年来,深度学习技术的快速发展极大地推动了细粒度图像分类任务的研究,各种网络模型算法涌现而出。细粒度图像分类任务的关键主要在于如何准确定位具有分辨力的关键区域并从中提取有效特征,但往往由于类间差异小和类内差异大,使得细粒度图像分类任务难以取得更优的分类效果。本文基于Vision Transformer（Vi T）模型和图注意力网络分别研究了两种场景下的细粒度图像分类算法,充分利用图像的多层次、多尺度、多模态和语义特征信息,以达到提升细粒度图像分类任务性能的目的。本文主要研究工作如下:（1）基于Vi T模型的细粒度图像分类。针对无文本的细粒度图像分类任务,本文结合了数据增强、多尺度输入、多层次Vi T以及交叉注意力提出了一种基于Vision Transformer模型的细粒度图像分类算法。首先,图像先经过数据增强获取一种破坏性的增强,之后将增强后的图像以小尺度和大尺度两种尺度的卷积核进行卷积操作,卷积后的两种特征图通过设计好的多层次Vi T,接着把从Vi T中输出的两种张量送入设计的交叉注意力网络,最后采用softmax进行分类。模型在四个细粒度图像分类公共数据集上的实验对比,验证了本文方法与目前主流先进方法相比具有较强的竞争力。（2）基于注意力网络推理图的细粒度图像分类。针对场景文本细粒度图像分类任务,本文结合了多模态语义特征提出了一种基于注意力网络推理图的细粒度图像分类算法。该算法中首先对提取的图像文本特征和局部视觉特征进行位置信息嵌入,并将其作为图节点生成的异构图通过元路径分解分别放入节点级注意和语义级注意的两级注意力网络推理图,接着,将输出的节点特征与提取的全局视觉特征进行融合以获得具有丰富语义的细粒度特征,最后采用softmax进行最终的分类。模型实现了多模态融合与图注意力网络的有效结合,且在两个场景文本细粒度图像数据集上与目前主流先进方法相比具有较强的竞争力。（3）细粒度图像分类系统设计与实现。本文采用C/S结构,MVC的设计模式,设计并开发了一款智能图像识别APP,该软件有效集成了本文提出的两种场景下的细粒度图像分类算法,可进行六大主题569类细粒度图像识别,同时支持用户拍照上传识别、图像文本自动检测、识别结果反馈及相似图像结果展示等功能。该系统识别图像种类多,且具有良好的用户交互和体验性,具有较好的实用价值和广泛的应用前景。