高效地监测森林及其伴生的野生动植物资源,是森林经理的重要工作。本文为解决野外鸟类观测中遇到的实际问题,以深度学习为工具,围绕迁移学习和细粒度图像分类识别,采用CUB-200-2011鸟类数据集为基础数据集,利用林学、计算机科学、统计学等方法技术,通过改进特征提取算法、优化模型结构、融合特征模型等手段,研究并实现了基于迁移学习的细粒度图像分类系统。本文主要完成了下面几个部分的工作:（1）提出了基于迁移学习的细粒度特征提取的优化算法为实现基于迁移学习的细粒度特征提取,提出了优化的KLt-SNE算法。该算法基于Kullback-Leibler散度和t-SNE,使用KL散度来度量t-SNE算法中相邻结点的距离。首先给定一个未知分布p（x）,然后建立一个与未知分布同维度的q（x|θ）,通过从p（x）中采N个样本来估计需要配置的参数θ。实验结果表明,该算法能够有效实现数据的降维操作。（2）基于细粒度特征提取的改进算法构建特征提取模型构建一个由“卷积基础”层和“密集连接层”构成的特征提取模型,该模型的卷积基础来自于VGG16网络,密集连接层根据数据集的特性,增加了线性连接层、Re LU层、Dropout层等6个连接层,最后增加一个包含200个分类器的线性连接层。使用该模型和改进的KLt-SNE算法进行特征提取,可以在80%方差贡献率情况下数据维度更是可以降至338个,数据降维效果明显。（3）设计基于迁移学习细粒度图像分类模型方案在设计迁移学习细粒度图像分类模型方案时,应用模型微调策略、模型微调算法和数据增强技术。通过对比备选基础模型的准确率、召回率、精度等指标,最终选择Res Ne Xt作为基础模型。实验表明,该模型方案在CUB-200-2011数据集可以达到84.43%的精度,优于大部分公开模型。（4）提出并实现加权融合细粒度分类模型提出一种加权的权重分配融合模型,可以通过在训练过程中,动态分配权重后记录最优的训练结果,然后获取到最优的模型权重分配模型,可以针对不同的模型进行优化训练,也可以设置参数的步长来控制权重的精度。相对于指定超参,加权模型更加灵活,具有实际应用推广价值。实验使用Res Ne Xt152模型和VGG16模型进行融合,计算得出当VGG16模型分配0.3权重、Res Ne Xt152模型分配0.7权重时,模型分类效果最优。本文围绕细粒度图像分类识别,以CUB-200-2011鸟类数据集为基础数据集展开研究,通过改进基于迁移学习的细粒度特征提取算法,设计并实现一种新的基于深度迁移学习的鸟类分类模型。利用该模型,扩充现有监测应用系统的功能,使得应用系统更加智能,能够更精准的进行鸟类信息的采集。