本发明公开了一种基于视觉自注意力机制的弱监督细粒度图像识别方法，包含student‑model、teacher‑model以及classification‑model模块；student‑model和teacher‑model经基于Pairwise Approach排序学习的Teacher‑Student循环反馈机制联合，构成自注意力区域推荐网络，从而增强判别性区域定位与细粒度特征学习之间的联系，在缺少目标边界框和部位标注点的情况下依然能够较为准确地检测细粒度图像中判别性区域，促使识别准确率显著提高；同时，student‑model、teacher‑model和classification‑model三个模块共享卷积层，有效压缩模型存储空间并降低计算成本，使得该方法满足实时性识别任务要求，适用于大规模真实场景；此外，多任务联合学习中采用动态权重分配机制减少人为设定超参数量，增强模型鲁棒性，最终整体模型通过端到端的单阶段方式进行训练与学习，降低网络优化难度。