现实世界中,大规模图像数据集通常呈现长尾分布现象,少数类别含有大量的样本,大多数类别仅有极少量样本。传统的视觉识别方法应用到长尾分布的图像数据集时,会出现模型失效、识别准确率骤降等问题。本文通过分析长尾分布图像识别问题的特点以及难点,提出了两种用于建模长尾分布图像数据的具有创新性的算法。(1)提出一种基于双通道学习的长尾识别算法(Dual-Channel Long-Tailed Recognition,DC-LTR)。该算法针对不平衡学习方法建模长尾分布数据时所导致的类内特征方差变大问题,在不平衡学习通道的基础上引入一条基于度量学习的小样本学习通道。不平衡学习通道改善模型过于偏好头部类别的倾向,小样本学习通道通过拉近同类样本与推开异类样本,修复不平衡学习通道损伤的特征表示。在训练过程中DC-LTR算法使用课程学习策略来动态调节两个学习通道的重要性,有效减少尾部数据的类内方差,提高了对尾部数据的识别能力,整体上提升了模型的识别性能。(2)提出一种基于层次学习的长尾识别算法(Hierarchical-Learning Long-Tailed Recognition,HL-LTR)。HL-LTR算法将长尾识别问题转变成一个由易到难的层次超类学习问题,最底层的超类学习任务是原始的长尾识别任务,由底向上的各层超类的不平衡程度的逐渐降低,相应的学习任务逐渐简单。HL-LTR算法自顶向下地学习,使用注意力机制引导学习模块和知识蒸馏技术,让顶层超类学习的知识指导底层超类的学习。知识在超类与它的子类之间迁移,缓解了领域漂移问题。相较于一开始直接解决最底层最困难的长尾识别任务,HL-LTR算法通过由易到难的渐进式学习和定向的知识迁移,对头部类和尾部类数据都有较好的识别能力,取得了更优越的学习效果。本文将DC-LTR算法、HL-LTR算法与当前主流的长尾识别算法在多个长尾分布的图像数据集上进行实验对比分析。实验结果表明DC-LTR算法在样本数量较少的Few-shot类别上的识别效果最好,HL-LTR算法在整个数据集上取得了当前最好(state-of-the-art)的识别效果。