近年来,随着地球生态环境的恶化,鸟类生物的生存受到更多威胁。为了保护鸟类、保护地球物种多样性,构建自动的鸟类图像识别系统成为当务之急。基于计算机视觉的鸟类图像识别属于细粒度图像识别任务,致力于对大类之下的子类进行区分。在所有细粒度图像识别任务中,鸟类图像识别以其较大的类内差异和较小的类间差异,成为最经典、最复杂的细粒度识别任务之一。其难点在于:图像背景复杂,不同类别之间的差异往往体现在某些细微之处;鸟类姿态多变,简单特征难以表达图像信息;数据量小,训练中存在过拟合风险。对此,本文从事基于深度学习的鸟类图像识别研究,采用基于部位的思想将识别任务划分为四个模块:目标与部位检测、数据扩增、特征提取和分类决策,分别解决上述问题。本文在目标与部位检测模块中运用强监督目标检测模型单次多目标框检测器实现鸟类目标和关键部位的检测定位,通过目标定位获取鸟类目标前景,剔除背景干扰,通过部位定位获取对分类起重要作用的局部区域,以期实现特征的精确提取,且该模块的处理给识别系统赋予了多分支结构,后续模块需要对各分支分别进行处理;在数据扩增模块中引入生成式对抗网络的思想,基于深度卷积生成式对抗网络进行鸟类图像数据的生成,以扩增数据量,降低复杂模型的过拟合风险;在特征提取模块中使用基于高斯分布建模的图像二阶信息实现图像特征提取,将鲁棒近似无穷维高斯描述子和具有端到端训练特性的矩阵幂归一化协方差引入识别系统,以获取具有更强的表征能力的图像高阶信息;在分类决策模块中引入集成学习的思想,通过选用合适的分类算法,分别采用平均法和Stacking算法实现多分支子系统的决策级别分类融合。为了验证算法的性能,本文在标准鸟类图像数据库CUB200-2011上进行大量实验,分别对不同模块进行考察,分析其有效性和可行性,并对整体识别系统的算法性能进行评估。在测试阶段不使用任何标注的前提下,本文提出的算法可以在CUB200-2011数据库的验证集上取得89.7%的识别准确率。在现有公开发表的文献中,该性能指标处于当前先进行列,排在并列第一位。