为了适应服装款式的快速更迭,识别服装款式以提高生产效率,服装的款式识别得到快速发展,借助数字图像处理技术解决服装领域中的款式识别问题是当今服装数字化研究的重要方向。基于服装轮廓对服装款式进行识别是其中的一个重要分支,有基于均值Hausdorff距离的服装款式分类与识别算法和基于多特征融合的分类与识别算法等,但是,这些算法在应用中存在一些不足之处。本文针对服装款式识别中的女裤裤型识别进行研究,首先建立了包含四类女裤裤型的图像样本库,设计了服装图像预处理流程,对样本图像进行一些列的预处理操作,使得样本图像中目标物体与图像背景分割开来。此外,由于运用canny边缘检测算法提取出的图像外轮廓边缘中含有大量双层边缘及其他噪声信号,本文引入卷积运算,定义了改进算法的卷积核,提出了一种改进的边缘检测算法,通过卷积核遍历图像进行判断的方法排除边缘图像中存在的噪声像素点,从而获得完整的无干扰图像外轮廓边缘信息。在获取了图像外轮廓边缘信息之后,对图像的特征提取算法进行研究,综合分析HOG算法图像特征描述子、曲率特征描述子、傅里叶特征描述子等图像的特征描述方法,决定选取傅里叶描述子作为本文图像特征描述方法,通过分析傅里叶变换的原理,经过归一化运算得到具有尺度不变性的傅里叶描述子。在图像的分类与识别算法上,对传统机器学习和神经网络进行了分析对比,由于本文的图像分类过程并不是简单地线性分类,因此选择基于BP神经网络的图像分类与识别方案,建立了BP神经网络模型,将图像的特征向量作为模型的输入,经训练得到本文女裤裤型识别的分类器,并测试了此分类器的识别精度。将改进前的边缘检测算法得到的图像也输入到特征提取与分类识别模型中,对比得到改进算法后最终的识别精度得到了大幅提升。