El reconocimiento de multas de coches es un escenario típico para la clasificación de imágenes detalladas, que tiene un gran valor de investigación y aplicación tanto en campos civiles como militares. Sin embargo, la investigación actual sobre la clasificación detallada suele limitarse a mejorar la precisión de los modelos de clasificación, ignorando la necesidad de aplicaciones ligeras y eficientes en aplicaciones prácticas, lo que resulta en una desconexión con la realidad. En este documento, se propone un método de reconocimiento detallado de coches basado en una red de atención ligera y ajuste fino regularizado. Basándose en la arquitectura de red neuronal convolucional (CNN) ligera y de alto rendimiento MobileNet V3, se diseña una arquitectura de CNN mejorada HAM-MobileNet que incluye un módulo de atención híbrido. Se adopta una estrategia de ajuste fino regularizado que incluye restricciones de correlación. Al ajustar finamente el HAM-MobileNet, se puede lograr una clasificación precisa de imágenes de coches. Los resultados experimentales en el conjunto de datos de coches de Stanford muestran que el método propuesto alcanza una tasa de precisión del 84.6%, que es el nivel más alto entre todas las arquitecturas de CNN ligeras y es comparable a las arquitecturas de CNN no ligeras. Los resultados de visualización muestran que el módulo de atención híbrido propuesto puede hacer que el modelo de red se enfoque más en los objetos objetivo con clases consistentes, suprima los fondos irrelevantes para la tarea y otros ruidos, y mejore la capacidad de aprendizaje y generalización del modelo de red.