细粒度视觉分类是一项旨在区分类别间差异微小而类内差异较大的分类任务。尽管全局方法依赖整张图像进行分类，基于局部区域的方法则通过注意力机制或部件信息获取额外的局部特征。本文提出一种新型的、面向分类任务的部件估计方法，该方法利用初始预测结果，并通过梯度计算反向传播特征重要性，从而估计图像中相关的关键区域。随后检测到的部件不仅基于分类后的后验知识进行选择，还具有由算法自动确定的内在空间范围。这与大多数基于部件的方法，甚至现有的真实标注部件信息形成鲜明对比——后者通常仅提供点坐标，缺乏尺度信息。我们在多个广泛使用的细粒度图像数据集上进行的实验表明，所提出的部件选择方法结合提取的部件特征，能够有效提升分类性能。