چکیده: در شناسایی دانه ریز اشیاء (Fine-grained Recognition)، دسته کلی شیء مشخص بوده و هدف، شناسایی زیردسته ی دقیق یا دانه ریز شیء می باشد. شناسایی نوع و مدل وسیله نقلیه به عنوان یک مسئله شناسایی دانه ریز دشوار شناخته می شود. این دشواری به دلیل تعداد کلاس های زیاد، شباهت برون کلاسی بسیار کم و تفاوت درون کلاسی بسیار زیاد در این مسئله است. این موضوع در مواردی چون سیستم‌های نظارتی و امنیتی، پارکینگ هوشمند، دریافت عوارض هوشمند و تشخیص تقلب کاربرد دارد. در این رساله، رویکردی مبتنی بر بخش برای شناسایی نوع و مدل وسیله نقلیه ارائه گشته که سعی بر غلبه بر چالش‌های جدی موجود دارد. این رویکرد برای هر دسته از وسایل نقلیه یک مجموعه بخش متمایزکننده یاد می گیرد. رویکرد پیشنهادی برای رسیدن به یک طبقه بند کارا از یک روال آموزش چند کلاسه بهره می‌برد که مراحل موردنیاز برای یادگیری مجموعه بخش های متمایزکننده، رابطه هندسی بین آن ها و داده کاوی روی نمونه های منفی را در خود دارد. برای آموزش سیستم و ارزیابی کارایی آن، دو مجموعه داده با ویژگی های متفاوت تهیه شده اند. مجموعه داده اول (BVMMR v1) دارای 720 تصویر و مجموعه داده دوم (BVMMR v2) دارای 5000 تصویر می باشند. اخیراً نیز یک مجموعه داده بسیار بزرگ به نام CompCars با 50000 تصویر از بیش از 200 مدل متفاوت از وسایل نقلیه ارائه شده است. دقت کسب شده توسط سیستم بر روی هر دو مجموعه داده BVMMR v2 و CompCars بیش از %96 بوده است که نشان از کارایی مناسب روش پیشنهادی دارد. سرعت سیستم پیشنهادی با افزایش تعداد طبقه بندها کاهش می یابد. علاوه براین، در مواقعی که از یک مجموعه داده نامتوازن برای آموزش سیستم استفاده می شود، احتمال رخداد بیش‌برازش و کاهش قدرت عمومیت طبقه‌بندها بیشتر می‌شود. برای حل این مشکل و بهبود سرعت سیستم، یک الگوریتم آبشاری پیشنهاد شده است. الگوریتم پیشنهادی با درنظر گرفتن دو معیار «اطمینان» و «فراوانی» طبقه بند، یک آبشار از طبقه بندها تشکیل می دهد. ارزیابی این الگوریتم بر روی دو مجموعه داده BVMMR v2 و CompCars نشان از تأثیرگذاری مناسب این روش داشته است. به صورتی که بدون کاهش دقت، سرعت سیستم تا %30 روی این دو مجموعه داده افزایش پیدا کرده است. با چشم پوشی از کاهش دقت یک درصدی، سرعت سیستم تا %80 نیز قابل افزایش است.