知识产权作为科技创新的承载形式,是实现创新驱动发展的基石。习总书记多次作出要加强知识产权保护工作的重要指示,将知识产权国家战略上升到了前所未有的高度。外观设计专利作为一种知识产权,蕴含了巨大的价值。利用深度学习算法高效地挖掘和利用外观专利数据可有效地促进对知识产权的保护和创新。洛迦诺分类法是国际通用的外观专利分类标准,但洛迦诺分类标准存在类别边界模糊、不支持图像分类等问题,即使利用卷积神经网络等先进的深度学习算法对洛迦诺分类标准图像进行分类也不能有效地提升分类精度。为此,本文提出外观专利图像层级分类新标准,并在此基础上构建服装外观专利图像数据集Patent-MNIST。针对该数据集,提出了基于卷积神经网络和图卷积神经网络的多视图外观专利分类模型。主要工作如下几个方面:首先,分析了洛迦诺分类标准存在类别边界模糊、不支持图像分类等问题。利用卷积神经网络等先进的深度学习算法对基于洛迦诺分类标准的外观专利图像进行分类实验验证。实验结果表明,即使是先进的VGG、Res Net、Dense Net等深度学习算法也不能有效地提升其分类精度,最高分类精度仅为77%。针对以上问题,需要重新构建数据分类标准来提升分类精度。其次,提出了服装外观专利的层级分类新标准,基于此标准构建了服装外观专利图像数据集Patent-MNIST,该数据集数包含30000个外观专利,共60000张外观专利图像。同时利用多种基准算法对数据集进行验证和评估,并且与Fashion-MNIST、CIFAR10基准图像数据集进行对比。实验结果表明,在相同的算法中层级分类标准比洛迦诺分类标准的外观专利图像的分类精度提高约12%。最后,提出了基于卷积神经网络和图卷积神经网络的两个多视图服装外观专利图像分类模型,用于进一步提升Patent-MNIST数据集的分类精度。并在视图池化的基础上提出Max-Mean池化策略,该池化融合了最大池化和均值池化两个通道的信息。本文将该池化嵌入两个服装外观专利分类模型,最大化利用服装图像信息。实验结果表明,提出的池化策略应用于两个服装外观专利分类模型中均提升了Patent-MNIST的分类效果。