细粒度视觉分类（FGVC）具有挑战性，部分原因是难以获取足够的训练样本。为了在不出现过拟合的情况下使用大型模型进行FGVC，现有方法通常采用一种策略，即首先利用丰富的辅助数据对模型进行预训练，然后在目标FGVC任务上进行微调。然而，预训练的目标并未考虑目标任务，因此所获得的模型在微调时并非最优。为了解决这一问题，本文提出了一种新的深度FGVC模型——MetaFGNet。MetaFGNet的训练基于一种新颖的正则化元学习目标，旨在指导网络参数的学习，使其能够最佳地适应目标FGVC任务。基于MetaFGNet，我们还提出了一种简单而有效的方案，用于从辅助数据中选择更有用的样本。在基准FGVC数据集上的实验结果表明了我们所提出方法的有效性。