随着电商的飞速发展,服装图像数据呈现爆炸式增长。在海量服装图像中,高效、准确地检索出目标服装是一个极具商业价值和学术意义的课题。传统的服装检索方法效率低、误差大,不利于推广。随着人工智能的发展,基于深度学习的服装图像检索再次成为热门的研究方向。本文着重研究基于残差网络的特征提取方法和距离度量算法。本文的主要研究内容如下:（1）提出了一种全新的基于膨胀卷积残差网络的服装特征提取模型（Dilated Convolutional Residual Networks,DCRN）。DCRN模型通过将膨胀卷积融入残差网络,从而提升网络深层语义信息的提取能力。首先,DCRN模型用STEM模块提取浅层细节信息;然后,通过DCRN模块,将膨胀卷积和残差网络相融合;最后,通过二值向量模块得到高维特征向量。实验证明,通过融合膨胀卷积,提高了残差网络对于深层语义特征的提取能力,减少了参数数目,提高了计算效率。（2）提出了一种融合Transformer编码器和DCRN网络的服装特征提取模型（Transformer-Convolutional Residual Networks,T-DCRN）。本文的方法是把transformer编码器模块融入DCRN网络。首先,对特征图进行位置编码;其次,通过6组多头注意力机制层和前馈网络,提取服装图像特征。实验证明,与其他残差网络相比,由于融入了Transformer编码器,T-DCRN网络对服装组件相对位置信息的感知能力更强,从而提升对于深层语义特征提取能力,体现了T-DCRN网络在服装款式理解上的优势。（3）在K-means算法框架中,提出一种混合距离度量算法（Mixed Distance measurement algorithm,MD）,本文融合了马氏距离和余弦距离,并分析二者结合方式。实验证明,通过计算余弦距离和马氏距离之和进行度量学习,从而稳定高效地计算特征向量的空间距离;并分析了二者之和中超参数λ对检索结果产生的影响。为了检验本文所提模型和算法的性能,在Deep Fashion公共数据集上,本文进行了多项实验来评估本文提出的服装图像检索方法。实验结果表明,该模型和算法能够较好地解决服装款式识别问题,获得较好的检索精度。本文希望通过基于残差网络进行研究,利用最新的人工智能技术,提高服装检索效率。