针对传统卷积神经网络在图像分类任务中难以有效捕捉多尺度特征的问题，本研究提出了一种基于多尺度池化的改进方法。该方法通过在网络不同层级引入多尺度池化模块，结合局部与全局特征提取，增强模型对不同尺寸目标的识别能力。具体而言，设计了并行多分支池化结构，采用不同大小的池化核同时提取特征，并通过特征融合机制整合多尺度信息。实验结果表明，该方法在保持计算效率的同时，显著提升了细粒度图像分类的准确率，尤其对存在显著尺度变化的物体类别具有更好的分类效果。