针对图像分类任务中现有神经网络模型对分类对象特征表征能力不足，导致识别精度不高的问题，提出一种基于轻量级分组注意力模块（LGAM）的图像分类算法。该模块从输入特征图的通道和空间两个方向出发重构特征图：首先，将输入特征图沿通道方向进行分组并生成每个分组对应的通道注意力权重，同时采用阶梯型结构解决分组间信息不流通的问题；然后，基于各分组串联成的新特征图生成全局空间注意力权重，通过两种注意力权重加权得到重构特征图；最后，将重构特征图与输入特征图融合得到增强的特征图。以分类Top-1错误率作为评估指标，基于Cifar10和Cifar100数据集以及部分ImageNet2012数据集，对经LGAM增强之后的ResNet、Wide-ResNet、ResNeXt进行对比实验。实验结果表明，经LGAM增强之后的神经网络模型其Top-1错误率均低于增强之前1至2个百分点。因此LGAM能够提升现有神经网络模型的特征表征能力，从而提高图像分类的识别精度。