电子商务平台迅速发展壮大,网购变成了人们日常生活中必不可少的部分。伴随着服装种类和数量的增多,人们需要花费更多的时间寻找心仪的服装商品,由此一个好的服装推荐系统变得越来越重要。传统的推荐算法,普遍存在冷启动、数据稀疏、稳定性差等问题,并且主要依赖于用户-商品评价矩阵,无法处理图像数据。本文在现有推荐系统的基础上,针对以上问题进行了以下研究:（1）构建了风格偏好数据集。基于淘宝、京东等电商平台图片和POG数据集,进行分类与挑选,采用了三种服装风格定义标准。首先,根据时代特色和民族传统,得到嘻哈风格和民族风格;其次,根据面料、颜色、图案纹路等特点,得到经典风格和香奈儿风格;最后,根据服装的功能性特点,得到运动风格和职场风格。搭建了一个包含六种具有明显代表性风格,共7200张图片的服装风格数据集。（2）服装风格识别算法。本文结合卷积神经网络与Transformer构建混合模型以应对服装风格识别任务。具体的,使用改良后的Res Net-50卷积神经网络提取图像特征,通过利用卷积神经网络的归纳偏置来提高模型的学习与泛化能力,接着引入注意力机制学习全局特征之间的相关度,并使用迁移学习提升模型在小型数据集上的表现。实验结果表明,我们的混合结构相较传统Res Net-50,服装风格识别的Top-1准确率提升了3.2%。（3）服装风格推荐算法与系统实现。本文提出基于k-means的推荐算法,对用户上传的图片进行特征提取得到服装风格特征向量,然后对同一风格类别的特征向量进行聚类,最后计算用户输入图片与相同簇内图像之间的余弦相似度,就可以得到与用户输入图像风格最相似的服装图像。文章设计并实现了服装风格推荐系统,本系统面向所有登入平台的用户,系统由两个模块构成:服装风格识别模块和服装风格推荐模块,提供上传图像、服装风格识别、服装风格推荐功能。用户只需要上传一张服装的图像就可以获得服装的风格类别,并且系统会自动推荐给用户相同风格的其它服装图像。综上所述,本文针对服装风格推荐问题,构建了风格偏好数据集,设计并实现了服装风格推荐系统,系统使用服装风格识别算法提取服装图像特征,再利用服装风格推荐算法给出推荐结果,可以满足用户识别服装风格和服装推荐的需求,经实验表明,系统具备识别准确率高,推荐速度快的优点。