随着移动互联网以及互联网电商的发展,以图搜图,尤其是服装检索技术,正在被越来越多的商业机构、研究者关注。本文立足于研究服装检索的各个技术模块,以深度学习理论为基础,研究基于深度学习的服装检索技术。本文着重研究服装检索的以下三个问题:1.图像预处理。由于服装图像多种多样,为了排除背景、姿势等影响,需要为系统构建一个服装区域检测的前置模块;2.监督分类及特征提取。不同于传统的手工设计的特征提取方式,基于深度学习,首先需要训练一个深度神经网络模型,再以网络中的某一层输出作为检索特征。3.检索加速设计。随着检索库中图像的增加以及特征维度的增加,检索的时间代价将大幅增加,检索模块需要在保证检索精度的同时降低检索时间开销。本文研究的主要成果和创新点有:1.针对服装区域检测这个特定的问题,改进普适的Faster R-CNN框架,并提出基于先验的随机滑动窗口算法以替代RPN(Region Proposal Network)产生提议区域,简化了训练过程的同时也提升了检测精度。2.针对服装多属性特征,提出语义分层的树形网络结构,提高了高层语义属性的分类准确率,同时使得深度网络能够融合低层视觉特征、中层语义特征和高层语义特征,用于检索的特征更具表征力。3.利用粗粒度过滤加细粒度检索的检索方式及主成分分析(PCA)算法降维以加速检索。我们从京东、淘宝等电商网站上爬取了大量服装图像,除图像外,我们还爬取了商家提供的对服装属性的文字描述,并将其结构化存入数据库中。以此为数据集,我们对服装区域检测、服装分类、服装检索、检索加速进行了实验,实验结果显示我们设计的服装区域检测模块高效而准确,我们的语义分层网络能在一定程度上提升了高层语义分类准确性,并且学习到了服装图像的有效表征,检索加速的同时也保证了检索性能。