图像识别是计算机视觉领域最基础的研究方向之一,随着深度学习的不断发展以及卷积神经网络的大规模应用,通用图像识别任务的处理方法日臻完善,因此越来越多的研究者将目光投向更加细分的领域,细粒度图像识别问题就是其中一个热门的分支,在细粒度图像识别分析领域,通用的网络模型已经不能很好的满足任务需求,同时这一领域还在不断发展,越来越多的研究课题正在逐渐向现实生活中的实际问题靠拢。本文针对时尚领域的细粒度图像提出了一种新的双模态调制细粒度图像识别算法,其同时利用了数据的图像信息和属性信息。全文的主要工作如下:1.梳理了细粒度图像识别的研究背景、意义以及国内外研究现状,对相关的理论基础如卷积神经网络、图卷积网络、注意力机制、多模态学习等结构的原理与应用做了全面详细的介绍。2.探究了一类新的细粒度图像识别问题。本文所研究的细粒度图像识别问题相比于传统的细粒度图像识别问题增加了多标签属性,相对于单标签分类问题难度大大增加,也更加贴近实际生活场景。这一类问题可供公开研究的数据资源相对较少,因此关于这一类问题的相关研究并不多,本文则对此做了专门的探索研究。3.探索了不同的属性特征提取方法,设计了利用图卷积网络与深度游走两种方式提取属性信息特征,并通过对比实验结果对两种方式的优劣进行了详细对比;探究了多模态特征的交互方法,引入多模态信息融合的思想,将属性信息特征与图像信息特征两个不同模态的信息相结合,实现了跨模态信息调制。基于以上两点,最终提出了双模态调制的细粒度图像识别模型。4.在开源数据集上对本文提出的双模态调制模型做了消融性实验,证明了两条网络分支的有效性,并与已有的主流工作进行了对照实验并分析了实验结果。实验证明,本文提出的算法与已有工作相比在该数据集上能取得更好的表现。