随着社会开始走向智能化,网购成为人们的主要消费方式,消费者搜索商品的过程一般通过电商平台的检索算法实现。对于服装购物而言,传统的基于文本描述的服装检索算法(TBIR)越来越不能满足人们精细的检索需求。得益于深度学习和计算机视觉的蓬勃发展,基于图像内容的服装检索算法(CBIR)成为主流,即根据消费者上传的服装图像检索其同款服装。近阶段,对图像局部区域信息的抓取和对齐是该领域研究的一个热门方向,因此,设计出一个有效提取服装细节信息的深度网络具有很大的实用价值。本文在总结已有工作的基础上,针对服装图像局部语义信息的提取和对齐问题,主要工作贡献如下:1.提出基于注意力机制的局部对齐模型。该模型设计采用多个局部分支并行的架构,单个分支是一个基于注意力机制的局部特征提取器,注意力模块包含空间注意力和通道注意力两个子模块,可以互相促进更好的学习注意力分布,不同的分支可以自适应的学习得到不同的注意力分布图,通过多个不同的局部区域特征联合表示有效提升了模型的表达能力。此外,基于在线三元组损失(Online Triplet Loss),提出一种跨域的样本挖掘算法,该算法基于源域训练的模型,在目标域挖掘并标注无标签样本,以此来扩充训练数据并用于新一轮的训练,对挖掘得到目标域样本的学习使得模型可以适应目标域的数据分布,提升模型的泛化能力。2.提出基于多粒度切分的局部对齐模型。对原图切分得到局部区域输入网络会面临过拟合的问题,通过对特征图感受野的分析,本方法对特征图实施切分操作,可以在凸显局部信息的同时保留一定的上下文信息,模型性能得到大幅提升。提出环形切分的创新性切分方式,并通过与横向、纵向切分方式的组合,保证局部关键信息特征的完整性。另外,启发式的提出多粒度的切分策略,通过融合不同的切分尺度的局部特征,有效提升模型的表达能力。所提出的两种模型设计方式基于不同的角度,均能有效抓取服装的局部信息,且两个模型融合之后性能进一步提升,这说明了基于注意力和基于多粒度切分的两种网络模型具有很好的互补性。