对于服装图像的实例分割是解决服装的三维重建,实现三维虚拟试衣的前提。获取边缘分割效果好,分割后噪声小的服装图像可以使得虚拟试衣的效果更加真实。但是由于服装本身复杂的边缘形状以及服装中存在多种不同结构的部件（如衣领、袖口、口袋等部位）,传统的分割算法并不能完成细粒度的分割,因此本文设计了一种基于深度学习的服装图像的分割算法,并考察与探究其分割性能及实际应用。首先,对于图像分割任务,现在的方法大多是基于深度卷积神经网络（DCNNs）,然而标准的卷积的感受野受限于卷积核的大小,只能学习到卷积核周围的特征信息,并不能建立关于全局的关联。先前的研究也表明,基于注意力机制的方法可以建立图像中不同像素之间长距离的依赖关系,能够进一步重构特征图以更好地完成图像的分割。然而,根据现有的通道注意力和空间注意力机制会大大增加网络结构的参数,这将对于高分辨图像的分割以及算力提出更高的要求。本文提出了一种新的多重注意力模块（Multi-Attention Module）在保留空间注意力模块（PAM）和通道注意力模块（CAM）的基础上,减少了网络参数,同时可以学习不同尺度的上下文信息以提升服装图像的分割精度。通过将这种多重注意力结构加入到现有的分割网络Deep Lab V3和Mask RCNN中,构造了多重注意力Deeplab（MADeeplab V3）网络和多种注意力Mask RCNN（MAMask RCNN）网络。通过两种不同的服装图像数据集分别对其进行验证,结合消融实验,与此前的分割方对比后表明:相较于基线网络,在加入提出的多重注意力模块后,网络的分割性能均有所提升,实验使用APmask和m Io U值作为评价指标,对于COCO数据集,一般使用AP作为评价指标,对于其他形式的语义分割网络,可使用Io U值作为评价指标。其中对于Mask RCNN的APmask提升了3%,对于Deep Lab V3的m Io U由0.51提升至0.56。为测试所提出的分割网络在实际场景中的应用效果,本文尝试对商品图或者实拍图中的服装图像进行分割并将其用于虚拟缝合式三维服装重建和三维扫描式虚拟服装重建。对于虚拟缝合式三维服装重建,首先基于分割后获取的服装图像,使用图像修复网络生成服装的未知面,从而解决了传统虚拟试衣中需要两次拍摄的问题,通过将生成的服装缝合于三维人体的表面,实现了三维服装重构。结果表明,所使用的图像修复网络可以生成效果良好的服装正反面并获得优异的三维重建效果。对于三维扫描式虚拟服装重建,利用Sf M（Structure from Motion）算法,将不同位置的实拍图像通过分割网络剔除包括人体在内的背景后用于三维重建。与未经背景剔除的重建效果相比,采用本文的分割网络重建的三维服装,其噪声水平显著降低,可生成较为真实的三维服装,用于穿着衣物的三维展示。