近年来,随着电子商务的快速发展,越来越多的用户通过互联网购买服装,如何在海量服装中检索到合适的服装成为一个热门研究方向。而传统的基于文字信息检索服装商品存在着描述不清晰,文字描述表达欠客观等不足,因此基于内容的服装图像的分类与检索成为一个十分有意义的课题。服装图像主要分为款式、颜色和纹理三大特征,而作为服装图像主要特征之一的款式,是本文研究的重点。服装图像存在背景复杂、多尺度和多标签等问题,所以传统方法提取服装款式特征有一定的局限性,本文将利用目标检测网络提取服装图像的特征,然后进行识别服装属性,最后在服装库中检索出相似的服装图像反馈给用户。文中完成了以下工作:首先,构建面向服装款式的图像数据集,将现有的服装数据集训练好的模型迁移到自建的服装数据集。现有的服装数据集较多,但是这些数据集提供的特征都不适合基于款式特征的服装图像检索,因此本文自建了具有款式特征的服装数据集,该数据集由服装样本数据集和服装检索数据集两部分组成。论文中利用COCO数据集训练好网络模型,然后将该模型迁移到自建的服装样本数据集,从而提高了训练的效率。其次,分别利用目标检测网络和BP神经网络对服装图像的多粒度特征进行提取。论文中采用Mask R-CNN网络对服装图像进行实例分割,得到服装轮廓,同时对分割的服装轮廓进行粗粒度特征提取,得到服装图像的基础类别。由于服装外观的高度易变形性,为了提取更多的服装细节特征,提高服装款式识别的准确率,论文中提出利用遗传算法来优化的BP神经网络,利用该优化的BP网络来提取服装轮廓中的细粒度特征。最后,利用图像相似性计算策略在服装检索库中检索出相似属性的服装。根据提取的服装图像的款式特征,论文提出一种基于奇异值分解(SVD)和离散小波变换(DWT)相结合的感知哈希算法进行服装图像相似度计算,根据计算的结果返回相似度高的服装图像。实验结果分析表明,论文中提出的基于服装款式多粒度特征的提取方法来识别服装款式准确率较高,其性能优于现有的服装图像特征提取方法;与现有的服装图像检索算法进行对比,利用本文提出的感知哈希算法进行服装图像检索的准确率高,具有较强的鲁棒性。