图像分类问题一直是机器学习与计算机视觉领域的核心研究课题之一,但随着计算机理论和图像分类技术的不断发展,一般级别的图像分类己不能满足人类日益增加的检索分类需求,细粒度物体识别问题逐渐成为活跃的研究领域。视觉词袋模型与深度卷积神经网络模型作为图像分类中最为常用和有效的图像分类方法,通过对局部特征的有效组合构建高效的图像特征,从而获得高的分类准确度。然而因局部特征表达视觉概念的局限性及特征表示与高级语义的鸿沟,一般图像分类方法在处理细粒度分类问题时因对目标细节区域的描述不足且不能捕捉目标的结构信息而不能获得满意的分类准确度。本文针对基于部件的细粒度图像分类算法进行研究,其主要工作内容包含以下几个方面：(1)本文对细粒度图像分类问题进行研究,对其研究现状与研究难点进行分析。细粒度图像分类对相同类别的不同物种个体进行分类,其主要难点在于图像巨大的类内差异度和微小的类间差异性。为捕获具有细节信息的区域,本文使用时间复杂度低的自动部件分割算法实现基于部件的图像表示算法以获得具有竞争力的分类准确率。(2)针对自动部件分割算法存在的过分割现象与部件对应关系不明确问题,本文提出基于部件的硬合并和基于边缘的软合并两种细化分割算法。首先,以原始分割部件为基础,将部件的连接性和距离性加入合并目标函数,获得细化部件来降低图像表示的歧义。为了捕获更具描述性的部件,利用像素的颜色与纹理特征,生成像素的超度量边界图谱,并将其融入部件细化的学习中,使部件具有更合理的边缘轮廓。基于细化的分割部件,实验获得了更好的分类准确度。(3)本文研究图切割算法在细粒度图像上的局限性,提出基于超像素的图前景背景分割算法。首先,使用高维特征空间的加权K均值算法完成像素聚类,获得具有较准确的目标边界与局部性质的超像素。其次,以超像素为基础,构建层次化的区域树并计算指定类别的图像分割模板。通过图像与分割模板的区域匹配,获得图像的前景分割。最后,应用部件对齐算法获得高辨识性的图像表示实现高分类准确率。该算法能够准确地捕捉图像前景,有效地提高分类准确度。本文在CUB-200-2011数据库上进行了一系列实验,对本文提出的算法进行验证,实验结果证明了本文所提算法的有效性。