服装造型风格指衣料在特定成型条件下的形态以及消费者从这一形态中获得的感觉效果。服装造型风格关系到服装的外观形态,直接影响顾客的消费心理和消费行为,也与服装设计师创作构思与表现手法密切相关。在服装造型风格研究的过程中,面料是造型所依赖的塑形素材,因此,服装造型设计与面料有着十分密切的关系。长期以来,服装造型风格的评价是一个主观概念,受评价者社会文化背景影响,也与个人的喜好有关。因而服装造型风格的主观评价中存在较大的偏差,这样的评价结果很难对服装设计与生产进行有效的稳定的指导。近年来,计算机技术与服装学科高度结合,在服装领域中对面料悬垂形态的研究日益深入,各种服装模型的建立,以及灰色系统、人工智能系统、统计数学等方法逐渐在服装领域研究推广,用于服装的主客观评价逐渐成为研究的热点,这些研究为服装造型风格主观评价客观化提供可能。本文以半紧身裙为研究对象,建立一个系统的、科学的、与现实着装状态相吻合的半紧身裙造型风格主客观评价体系。建立基于面料物理和力学性能的半紧身裙造型风格的主客观评价系统与预测模型,找出面料物理和力学性能与服装造型风格的相互关系。从技术的角度提出一个可以界定服装造型风格的应用模式,探索造型风格的感觉效果和工程表达之间的逻辑关系,提出造型风格设计与实现的技术基础,从而为今后科学合理的使用面料服务。提出了服装造型风格的概念,构建了服装造型风格客观评价的指标体系。将服装造型的主观感觉客观化,将总的服装造型风格分解为轮廓造型、空间造型和细部造型等单项造型风格,给出半紧身裙额向径展开角、裙矢向径展开角、裙额向径宽度、裙矢向径厚度、裙摆波褶数、裙摆平均波峰半径、裙平均波谷半径、裙波褶振幅形态比、裙波褶张开角形态比、裙摆面积,并给出了相应的计算公式。对半紧身裙造型风格进行客观评价,建立了基于面料物理与力学性能基础上的造型特征指标的预测模型。运用摄像法等获取人台着装下的半紧身裙的正面形态、侧面形态和底摆形态特征,通过Photoshop、Coreldraw等图形软件进行处理,获取半紧身裙造型风格特征指标。研究同一面料条件下面料的力学性能与半紧身裙造型风格特征指标的各向异性。沿着面料的经向每间隔15°得到一种方向性试样,分析了面料力学性能的各向异性以及半紧身裙造型特征参数各向异性。建立了面料不同方向下力学性能与服装造型风格特征指标之间的预测方程,比较了面料力学性能各向异性理论值和实测值之间的差异,对面料力学性能各向异性的理论模型进行验证,并推导出成形性的各向异性公式。研究不同面料条件下面料物理力学性能与半紧身裙造型风格特征指标的关系。选取了30种不同面料分别制作成相同结构参数的半紧身裙,分别测试了面料的物理力学性能以及半紧身裙造型风格特征指标。对30种面料物理力学性能指标进行了因子分析,用主成分分析方法提取了拉伸因子、厚重与弯曲因子、成形与剪切因子等三个主因子,累积贡献率达80.714%,建立了三个面料性能主因子的预测方程。对30条半紧身裙的造型风格特征指标进行了因子分析,用主成分分析方法提取了轮廓因子、线条因子和细节因子等三个主因子,累积贡献率达73.324%,建立了三个裙装造型主因子的预测方程。对30条半紧身裙的造型风格特征指标进行了聚类分析,对五个不同类别试样的类中心值分别进行了面料性能和造型风格特征的描述,分析了五类半紧身裙的面料物理力学性能特点和半紧身裙装造型风格特点。建立了基于面料物理力学性能基础上的半紧身裙造型风格特征的预测模型。分别建立了基于BP神经网络的以面料物理力学性能为输入参数的半紧身裙造型风格特征指标的预测模型以及以面料物理力学性能为自变量、以半紧身裙造型风格特征参数为因变量的多元线性回归预测模型。通过对BP神经网络预测模型和多元回归预测模型的精度比较,找出适合的半紧身裙造型风格特征的预测方法。组建了半紧身裙造型风格主观评价的决策群体,决策群体由18位长期从事服装设计、生产、销售、教学工作的专家组成,构成服装设计师、打板师、贸易师三类专家群体,分别对30条在穿着过程中的半紧身裙造型风格进行主观群体评价。决策群体建立了半紧身裙造型风格主观评价体系,提出了半紧身裙造型风格主观评价特征为形式感、体量感、平衡感、运动感、悬垂感、节奏感、稳重感、均匀感、贴体感、平服感。决策群体共同确定半紧身裙造型风格的评价方法、决策群体权重、评价指标权重。运用群体决策理论构造并计算出半紧身裙造型风格评价的综合造型值(TSV)。根据综合造型值将30条裙装试样分成5类,对每一类半紧身裙的面料特性和主观造型特征进行分析。建立了基于面料物理与力学性能基础上的半紧身裙造型风格的综合造型值(TSV)的预测模型。分别建立了基于BP神经网络的以面料物理力学性能为输入参数的半紧身裙造型风格综合造型值(TSV)的预测模型以及以面料物理力学性能为自变量、以半紧身裙造型风格综合造型值(TSV)为因变量的多元线性回归预测模型。比较分析了半紧身裙造型风格综合造型值(TSV)的BP神经网络与多元回归预测模型的预测精度,比较BP神经网络预测值和实测值的绝对差与回归方程预测值和实测值的绝对差的大小,发现BP神经网络的预测精度要明显高于多元回归方程的预测精度。