使用最新的神经网络和深度学习技术进行服饰图像分析,从而期待机器对时尚的理解,是计算机视觉领域的热点话题。服饰图像分析是一个广泛的概念,其所涉及的计算机视觉任务多种多样,而针对服饰图像的特点设计目标检测和实例分割算法并提升其性能是其中一个重要方向。PolarMask是基于轮廓建模的一阶段目标检测与实例分割算法,本文对其网络结构和损失函数进行了多种改进,包括将FPN替换为PAFPN或BFP、改进极中心度分支的位置、改进极中心度的计算方式、改进边界框回归分支的损失函数。在编写程序修正ModaNet数据集中鞋类和靴类的边界框标注之后,基于该数据集进行了神经网络的消融实验,即训练、测试模型,并比较上述各种改进方案对模型性能的影响。实验结果表明,使用PAFPN的模型实例分割的AP可达到41.2%,相比使用FPN提升了 0.5%,目标检测的AP可达到57.5%,相比使用FPN提升了 0.4%;改变极中心度的计算方式可使实例分割的AP50提升0.7%,目标检测的AP50提升0.3%。本文对iMat Fashion实例分割数据集进行了处理与转换,使其成为可用于目标检测任务的数据集,而后基于该数据集应用模型集成方法实现目标检测。首先根据数据集中图片和目标的特点,使用多种方案或技巧改进多阶段目标检测算法Cascade R-CNN,包括使用GC模块获取特征图的全局上下文信息等。之后分别训练改进的基于Cascade R-CNN的服饰目标检测器和基于GFL的服饰目标检测器,最后使用边界框加权融合算法（WBF）对上述检测器的检测结果进行融合。实验结果表明,使用WBF融合应用GC模块增强的基于Cascade R-CNN的目标检测器和基于GFL的目标检测器的检测结果后,融合后的检测结果的AP可达到41.9%,相对于基于Cascade R-CNN的目标检测器的检测结果,AP提升了 2%。