近年来,服饰图像的研究随着计算机视觉技术在视觉时尚领域的快速发展而引起越来越多人的关注。当前,在服饰时尚领域主要围绕服饰图像识别、关键点检测、服饰推荐、检索和搭配等方向进行研究。这些研究可为服饰在生产、制造、库存、销售等环节提供决策支持并带来全新的购物体验。但在服饰图像现实的应用场景中,仍面临如服饰风格、质地、剪裁、变形、环境及摆放方式和姿态等变化带来的挑战,使得在识别、定位、推荐等应用中效果往往并不理想,本文基于深度学习的方法围绕服饰识别、关键点检测和服饰检索等任务进行研究,主要完成了以下工作:(1)本文归纳总结了图像识别和深度学习的国内外研究成果及现状,分析了服饰图像的研究方向,并着重研究基于深度学习的服饰图像识别算法和服饰关键点检测算法,在经典网络结构的基础上针对识别和检测的单一任务分别构建服饰识别网络和服饰关键点检测网络,并在m AP、MSE等评价指标上进行了算法性能对比。(2)在上述研究基础上,针对存在服饰图像因遮挡、变形、光照以及复杂姿势对识别准确率和关键点定位精度的影响问题,结合SE模块、空洞卷积和特征融合思想将服饰识别和关键点检测两个单任务相结合,构建了能同时进行服饰图像识别和关键点预测的多任务网络,网络中利用空洞卷积代替普通卷积操作,通过空洞卷积的扩张率增大特征图对应原图的感受野,同时采用特征融合的方法将不同阶段提取的图像特征进行融合以增加多尺度的表达能力。通过验证集上的实验和分析,结果显示相比单任务网络在m AP评价指标上Top-3和Top-5服饰识别准确率分别提升了0.031和0.025,在MSE均方误差关键点评价指标上下降了0.022,实验证明结合特征融合的多任务网络能有效的增强特征表达能力,提升网络对服饰识别和定位的性能。(3)用上述训练好的网络模型进行服饰特征提取用于图像检索,实验中为了消除复杂背景的影响,使用Faster-Rcnn算法进行了服饰主体检测,将检索数据库图像作为特征库,采用待检索图像特征和特征库进行相似度计算、排序以完成图像检索任务,并在此算法的基础上开发了适用于服饰图像的检索系统,该系统可用于相似服饰图像的检索任务。