服装解析由于其在时尚合成、姿态估计等领域的广泛应用而受到越来越多的关注。随着卷积神经网络的快速发展,现有的服装解析方法在卷积神经网络技术的帮助下也取得了优异的性能,极大地推进了服装解析任务技术的研究和应用。但是由于人体形态多变、服装类别多样、目标对象尺寸差别大以及对象边缘模糊等特点,现有的服装图像解析方法很容易产生错误解析结果,特别是在一些相似和细小的服装类别上。同时卷积神经网络自身也存在重复的下采样操作导致图像分辨率显著降低和大量空间信息的丢失等问题。因此,为了提升服装图像解析结果的准确性,本文主要研究如下:（1）提出了一个基于多尺度融合增强的服装图像解析算法。为了恢复卷积神经网络下采样过程中丢失的空间信息,该算法在解码过程中设计了一个融合增强模块对不同层次的特征进行融合,并用不同的感受野捕获融合后的多尺度特征信息。同时利用通道注意力机制获取全局上下文信息,然后将其作为权重对多尺度特征的重要程度进行选择。最后通过串联多个融合增强模块的输出特征进一步增强特征的表达能力,并将串联后的结果进行上采样获得最终的解析结果。（2）提出了一个由多级特征融合和边缘检测两个分支组成的双分支网络。该算法首先在多级特征融合分支中使用更轻量级的特征融合模块融合不同尺度的特征图,进而实现在保持参数量不变的情况下丰富了特征的语义信息。其次,本文还设计一个边缘检测分支,利用不同尺度的特征图提取精细的边缘信息弥补下采样过程中丢失的细节信息。最后将两个分支的结果进行上采样融合,从而得到最终的解析结果。（3）提出了一个多尺度注意力引导的服装图像解析算法。该网络从注意力机制的思想出发,提出了一个注意力引导模块在捕获全局上下文信息后引导有鉴别性特征的学习。同时在该注意力引导模块中使用额外损失函数监督特征的学习过程,实现准确识别相似的或者一些细小的易忽略的目标对象。接着本文还设计了一个多尺度融合策略逐步对多个注意力引导模块输出的注意力特征进行融合。最后将融合后的特征通过线性插值得到与原始图像同样的大小作为最终的预测结果。以上三个算法的所有实验都是在Fashion Clothing和LIP数据集上进行的。大量的对比实验结果表明,本文算法不仅可以有效地改善服装图像的解析结果,而且与其他先进解析算法相比,也都取得了优异的解析效果。本文提出的模型可以应用于服装识别、智能衣橱和姿态估计等实际应用场景中。