随着电子商务和网络购物平台的蓬勃发展,在线商品购物在人们的生活中显得至关重要,因此服装市场潜在着巨大的商业价值。在线商城中的服装类别繁多且数量巨大,目前存在的电商购物平台中,大部分还是通过传统的方法来检索图像,比如关键字或文本等,此类方法的本质是以文搜图。然而面对海量的服装图像数据,人工标注关键字进行服装检索的方法渐显疲态,如何有效地对网络服装图像进行检索显得尤为重要。和简单的文字描述相比,服装图像包含更多的纹理、颜色等视觉信息。依据图像的语义级别的信息,从图像的数据库中检索出来与待查询图像具有很多相似特点的其他图像,即“所见即所得”,此类方法的实质是以图搜图。服装检索技术有两个重要的分支,其中之一是在线商城图像之间的相似检索,另一个是跨域服装检索。所谓跨域指的是待检索图像与来自数据库中的其他服装图像来自两个有差异的场景,例如日常街拍图像查询在线商城的服装图像。当前针对跨域服装检索技术主要面临的问题涵盖如下几个方面:1)服装商品品类繁多,纹理、材质等属性信息比较复杂;2)通常服装商品图像拍摄在背景纯净、光照条件良好的特定场景,而用户图像不可避免地存在背景复杂、姿态多变、遮挡等问题;3)服装图像属于低层特征,用户需求属于语义级别的高层特征,两者之间有很大的差异。针对目前服装检索技术中遇到的主要问题,本文提出了新的服装检索方法,主要的研究内容如下:1.服装部位检测算法的研究。对于服装的检索技术,服装部位的检测和分割十分的重要。本文在服装检索中运用Faster R-CNN和FCN（fully convolutional neural network）结合的方式进行服装区域的检测和分割,消除了复杂背景对服装图像技术的影响。2.服装区域特征描述子的研究。对于商品检索任务,如何获取更具判别性和鲁棒性的特征是研究重点,本文引入注意力机制,将卷积层特征分配不同的权重,能够更好地学习表述服装图像的重要特征,抑制不重要特征。3.大规模服装库下精确检索算法的研究。通过联合分类损失和三元组损失函数进行端到端的网络训练,类别信息约束检索过程减少类间差异性小的问题。通过与服装检索相关工作进行大量的对比实验,验证了本文所提方法的优势。