随着电子商务的快速发展,越来越多的消费者倾向于在网上购买商品。目前,电商平台主要通过关键字匹配的方式来检索服装,这些服装由卖家拍照并采用人工的方式进行分类。作为服装检索过程中的一个重要环节,服装分类直接影响商品的销售和用户的消费体验。由于服装图像数量庞大,服装分类是一项繁琐而艰巨的任务,采用人工分类的方式效率低下、错误率高。因此,基于计算机视觉的服装图像分类已成为目前工业服装分拣、电子商务等领域的一个重要研究方向。本文针对现有卷积神经网络对图像不同类型信息的描述能力弱、泛化能力弱、表征能力受限等问题,提出了基于卷积神经网络和视觉注意力机制的新型特征重校准分类算法,主要工作如下:（1）为了提高卷积神经网络对图像中不同类型信息的描述能力,受视觉注意力机制启发,本文根据通道注意力（Channel Attention）机制和空间注意力（Spatial Attention）机制设计了两种单维特征重校准模块,分别是通道特征重校准模块（CFRM）和空间特征重校准模块（SFRM）。通过特征重校准操作,CFRM能在特征图通道维度上捕获图像中重要的信息,SFRM能在空间维度上加强图像中有关联的信息。为了提高DenseNet的图像分类精度,本文设计了两种新型的Dense Block结构,提出了通道特征重校准DenseNet（CFR-DenseNet）和空间特征重校准DenseNet（SFR-DenseNet）两种单维特征重校准网络。通过在CIFAR数据集上的实验表明,本文提出的CFR-DenseNet和SFR-DenseNet图像分类精度均略高于DenseNet,这证明单维特征重校准模块可以提升DenseNet的图像分类精度。（2）为了进一步提高DenseNet的图像分类精度,针对单维特征重校准模块提升DenseNet图像分类精度能力有限的问题,本文提出了能同时在特征图通道和空间进行特征重校准操作的双维特征重校准模块,即并联式通道及空间特征重校准模块（PCSFRM）和串联式通道及空间特征重校准模块（TCSFRM）。通过设计两种新型的Dense Block结构,本文提出了并联式通道及空间特征重校准DenseNet（PCSFR-DenseNet）和串联式通道及空间特征重校准DenseNet（TCSFR-DenseNet）两个双维特征重校准网络。在CIFAR数据集上的实验结果表明,PCSFR-DenseNet和TCSFR-DenseNet的图像分类精度明显高于DenseNet、CFR-DenseNet和SFR-DenseNet,这证明了双维特征重校准模块可以更明显地提高DenseNet图像分类精度。（3）为了验证所提出模型对服装图像的分类性能和模型的泛化能力,本文在服装图像数据集Fashion＿MNIST进行了大量实验。CFR-DenseNet、SFR-DenseNet、PCSFR-DenseNet和TCSFR-DenseNet的图像分类精度分别为95.52%、95.57%、95.63%和95.60%。实验结果证明,本文所提出的模型能对服装图像进行准确分类且具有较强的泛化能力。