图像分类算法具有很高的科学研究价值,更是近年来计算机学科的研究重点。伴随着深度学习的高速发展,基于卷积神经网络的图像分类技术正在广泛的应用于大众日常生活当中。在服装图像分类任务中,由于服装的多样性、易遮挡、易褶皱和易变形等性质,使得实现准确的服装图像分类成为一个挑战。因此将基于卷积神经网络的算法与服装图像分类任务相结合具有重要意义。近些年,由于国内外学者对服装图像领域的关注,以及对卷积神经网络的不断深入研究,卷积神经网络在服装图像任务上的应用日趋成熟。通过将计算机分类处理技术与服装图像相结合,服装图像的属性预测、类别分类等任务准确率不断提升。但由于服装具有独特特性,卷积神经网络在服装图像领域的算法研究仍存在广阔的提升空间。本文主要任务是应用香港中文大学团队提出的Deep Fashion数据集,提出基于卷积神经网络在服装分类和特征预测的算法,在此基础上对其进行优化。针对因服装具有的独特属性导致服装图像与其他类型图像的差异性,本文使用服装关键标记预测分支,利用服装数据集中的关键位置标记点对服装图像应用网络强化训练。再将服装关键标记点预测分支提取到的关键位置信息与基础卷积神经网络生成的全局特征融合,以此方式搭建基于vgg16的服装分类算法结构,用于后续的服装图像分类研究中。在用卷积神经网络提取图像特征过程中,浅层的卷积神经网络更易提取到服装图像相关信息,但提取语义信息能力较弱。随着卷积层数不断增加,卷积神经网络结构对图像提取的语义信息更为丰富,但会发生部分图像信息丢失的现象。因此本文提出利用融合残差特征方式优化vgg16服装分类算法,将底层图像信息与高层语义信息融合,用于提取全局性更强的服装图像特征信息。除此之外,由于不同尺度的卷积核提取到的图像特征有所差异,多尺度卷积核对图像特征的提取更加全面,因此,本文提出利用多卷积核提取特征方式优化vgg16服装分类算法,目的是提升算法在图像分类任务上的准确性。除此之外,重点关注图像中的重点区域可以提升算法准确性。因此本文阐述了注意力机制的作用和分类,并且利用基于空间域的注意力机制和基于通道域的注意力机制对服装分类算法进行优化。对于基于通道域的注意力机制,本文提出了利用多种池化融合方式优化通道注意力模型,利用多尺度核卷积方式优化通道注意力模型,以及利用自适应尺度卷积核的方式优化通道注意力模型三种优化方式,并将优化后的模型用于对基于vgg16的服装分类算法改进中,最终完成了提高服装图像分类准确率的目标。