Clasificar aves con precisión es esencial para el monitoreo ecológico. En los últimos años, la clasificación de imágenes de aves se ha convertido en un método emergente para el reconocimiento de aves. Sin embargo, la tarea de clasificación de imágenes de aves debe enfrentar los desafíos de alta varianza intraclase y baja varianza interclase entre las aves, así como una baja eficiencia del modelo. En este artículo, proponemos un método de clasificación de aves de grano fino basado en atención y destilación de conocimiento desacoplada. En primer lugar, proponemos un método de aumento de datos guiado por atención. Específicamente, el método obtiene imágenes de las regiones clave de las partes del objeto a través de la atención. Esto permite que el modelo aprenda y distinga características finas. Al mismo tiempo, basado en el método de localización-reconocimiento, se predice la categoría del ave utilizando la imagen del objeto con características más finas, lo que reduce la influencia del ruido de fondo. Además, proponemos un método de compresión de modelo de destilación de conocimiento desacoplada. Destilamos el conocimiento de la clase objetivo y de la clase no objetivo por separado para eliminar la influencia de los resultados de predicción de la clase objetivo en la transferencia del conocimiento de la clase no objetivo. Este enfoque logra una compresión de modelo eficiente. Con un 67% menos de parámetros y solo 1.2 G de computación, el modelo propuesto en este artículo aún tiene una tasa de éxito del 87.6%, mientras mejora la velocidad de inferencia del modelo.