随着互联网的普及与发展,信息技术已经全方位地融入社会生活,“互联网+”理念逐渐深入人心。互联网时代下的视频产业,作为备受关注的新兴应用,其数量和流量正在飞跃性地增长,用户群体也在飞速扩大。观众在观看视频的同时,视频主角的周边物品逐渐成为新的时尚风潮,受到人们的广泛关注,其中最重要的周边物品就是服装。如何快速并准确地检测出视频主角的潮流服装,并推荐与之对应的相似服装,链接到电商平台,成为了观众普遍关注的热点。为了减小人力检测与推荐的成本,提高观众的观影体验,本课题进行基于深度学习的视频主角衣服检测与检索方法研究,利用深度学习的方法,实现对视频中关键角色所穿衣服的检测与检索。该方法得到的推荐衣服及其购买链接,解决了观众“找衣难”的问题,进一步提升观影体验满意度。视链技术是计算广告学在视频中的重要应用,本文建立并实现端对端的衣服广告视链系统,使得视频主角、衣服与电商平台相关联。本文提出基于视频内容的主角验证算法,对人体检测算法、姿势判别算法、人脸检测与验证算法的发展现状进行总结,通过一系列筛选操作逐步定位到视频主角所穿衣服。本文对目标检测领域的国内外发展现状进行了总结分析,利用卷积神经网络提取深层特征,对比不同深度卷积网络结构在衣服检测任务下的效果,并结合不同的目标检测框架进行对比。针对衣服对象所具有的特点对算法进行改进,实现在视频场景下的基于卷积神经网络的衣服检测算法。本文对基于文本和基于内容的图像检索算法进行总结,提出利用三元组损失函数训练检索网络,更加关注异类数据的特征差异性和同类数据的特征相似性,并提出一种自适应参数的迹比算法作为三元组选取条件。每次迭代找到距离比率最大的三元组,选择难分类样本作为三元组进行模型的训练,通过逐步严格的自适应形式,实现基于三元组损失的衣服检索模型。本课题利用深度学习方法,实现视频中主角衣服的检测,通过衣服检索方法实现了相似衣服的推荐,形成视频内容到电商平台的完整视链。实验结果表明,本文提出的方法对于视频中主角的验证问题进行严格地筛选,在衣服检测问题具有较高的检测精度,在衣服检索问题上也表现出传统方法所不具有的优势。