随着服装电商行业的发展,网络上的服装图像越来越多,如何对海量服装图像进行准确有效的分类与服装电商从业者的利益息息相关。使用人工视觉来标注服装图像成本过高,而现有的服装图像分类算法的性能也达不到要求,因此对服装图像分类进行研究具有重要意义。本文基于深度学习对服装图像分类进行研究,通过结合卷积神经网络（CNN）与优化后的随机向量函数链接（RVFL）神经网络来提高服装图像分类的性能,主要进行了以下两方面的研究:（1）针对服装图像分类算法分类精度较低的问题,本文提出了一种基于并行卷积神经网络（PCNN）和蝗虫优化算法（GOA）优化的RVFL神经网络相结合的服装图像分类算法（PCNN-GOARVFL）。该算法使用并行的双通道卷积神经网络模型来提取服装图像特征,解决了传统的卷积神经网络提取数据特征有限而且容易出现过拟合的问题。并行卷积神经网络模型使用Leaky Re LU作为激活函数,并且在每次卷积操作后进行批量标准化处理,以此来提高模型的性能。然后本文使用GOA算法优化RVFL的相关参数来提高RVFL的分类性能和稳定性,并使用优化后的RVFL分类器对PCNN提取到的服装图像特征进行分类。通过在Fashion Mnist数据集上进行大量实验可知,本文提出的PCNNGOARVFL算法的分类精度比LBP-SVM,HOG-SVM,LBP-HOG-SVM和ALEXNET-SRC算法分别高出1.36%,2.05%,0.65%和3.76%,有效的提高了服装图像分类算法的性能。（2）为了进一步提升服装图像分类算法的分类精度和泛化能力,本文提出了一种基于迁移学习的Densenet201特征提取主干（DFEB）网络与海洋捕食者算法（MPA）改进的天鹰优化器（AO）优化的正则化RVFL神经网络相结合的服装图像分类算法（DFEB-MARRVFL）。首先,该算法使用基于迁移学习的Densenet201特征提取主干网络来提取服装图像的特征,减少了计算资源开销,提高了特征利用效率。然后在RVFL中引入正则化系数来控制模型复杂度并解决过拟合问题。并使用MPA算法生成AO算法的初始搜索种群,以此来提高AO算法的寻优和收敛效果。随后提出了一种基于AO算法种群个体位置的映射方法,同时对RRVFL的正则化系数、输入权重和隐含层偏置进行优化,不仅自动为RRVFL选取了合适的正则化系数,还提高了RRVFL的分类性能和稳定性。最后本文使用优化后的RRVFL来对提取到的服装图像特征进行分类。从实验结果可知,在ACWS数据集上,本文提出的DFEB-MARRVFL算法比其他服装图像分类算法的性能更好,并在Deep Fashion数据集和Fashion Mnist数据集上验证了该算法优秀的泛化能力。