国民生活水平的提高,使得人们对于服装的追求已经不再停留在舒适和暖和的阶段,时尚的多样化激发了人们在服装搭配上更多的想象力。目前,服装行业日渐庞大,线下购物的试穿体验和线上购物的便捷,都能激发消费者的消费欲望。电商服务平台为了保持用户粘性,在用户购买或浏览了服装后,会定制个性化推荐,根据用户偏好精准推荐,于是就自然的提高了平台的浏览量和成交量,用户也会在这些合适的推荐下“冲动消费”。久而久之,用户会陷入“断舍离”过于浪费和不进行断舍离会导致服装难以管理和搭配的两难境地中,因此对服装的管理和搭配的研究是有意义的。本文根据深度学习在图像计算和图像融合的应用背景下,将深度学习的特征融合技术和时间序列模型应用在服装搭配上,深入探究了服装搭配任务,完成了基于用户服装的服装搭配平台的搭建。针对仅使用图像进行服装搭配难以适配不同场景和风格,以及服装搭配需要顾全服装整体风格的情况,本文有以下两个创新点:（1）提出图像-文本的特征融合模块,用以弥补仅使用单一特征带来的缺乏灵活性的问题,图像特征的提取使用Inception V3网络,文本特征以BOW模型编码,特征融合模块将不同维度的特征融合在一起,在加强网络的表征能力的同时提高服装搭配与用户需求匹配度;（2）以Bi-LSTM作为服装搭配网络建模的主干网络,在正向和逆向两个方向上将服装单品视为时间节点,优化一套服装中单品之间相互的相容性。设计的损失函数综合考虑双向的时间序列网络和特征融合模块,从整体上提高网络搭配的精准度。实验结果表明,双向LSTM相比于单向的LSTM,训练得到的模型准确率更高,且使用了特征融合模块比单一的图像特征有更高的适应性和准确性。本文编程实现了基于用户服装的服装搭配系统,系统主要分为服装管理模块和服装搭配模块,服装管理模块解决了用户服装杂乱,难以统计的问题,服装搭配模块解决了用户服装搭配的问题,在服装搭配模块中,为适应环境采用候温划分法确定当前的季节。服装搭配算法是在基于Python语言的Tensorflow框架中实现,使用Spring Boot和Vue完成用户交互、服装上传等功能,持久化层使用My SQL实现存储。文章所设计的服装搭配系统不仅能够帮助用户管理服装,还能根据用户拥有的服装给出合理的服装搭配。