近些年互联网技术的飞速发展产生了海量的数据,导致了信息过载问题。为了缓解信息过载问题以及提高推荐的透明度和说服力,基于图像和评论等辅助信息的可解释时尚推荐系统应运而生。但目前的工作生成的解释形式单一,基于评论的解释不够直观,并且没有充分挖掘评论生成和偏好预测之间的深层关系;基于图像的解释忽视了对不可视偏好的捕捉和解释,并且缺乏对多种辅助信息的充分挖掘和利用。因此本文主要围绕基于评论和图像可解释的时尚品推荐方法展开研究,探索如何充分挖掘多任务学习之间的关系,如何挖掘多种辅助信息之间的联合增强作用。本文的主要研究内容是:（1）对于基于图像的可解释推荐,现有工作忽略了对材质等不可视偏好的捕捉,导致了解释的不完整。因此本文提出了基于图像和历史评论的图文协同增强的可解释时尚推荐模型。该模型引入用户和商品历史评论信息并通过词和句两层自注意力网络建模用户偏好,最后再通过注意力机制获取商品图像的细粒度表示。真实数据集上的广泛实验证实了该模型在推荐和解释上的优越性。（2）对于基于评论的可解释推荐,现有工作没有充分挖掘多任务学习之间的深层关系,限制了偏好预测和评论生成的准确性。因此本文提出了一种联合双向学习方法。该方法利用真实评论监督的多层感知机从历史评论中学习用户评论的语义表示,然后利用该语义表示进行偏好预测并将该语义表示及评分输入到LSTM网络生成评论。真实数据集上的广泛实验验证了该模型在推荐和解释上的优越性。（3）基于以上两个推荐方法的融合,我们设计并实现了一个基于图像文本的联合双向可解释时尚推荐系统,验证了所提方法的实用性。