随着电子商务领域的迅速发展,人们在网上购物也越来越方便,服装产品的线上交易量占比也不断增加,导致网络上的服装图像数据量增长迅猛。如何在网络上大量的服装图像数据库中精准地检索出人们需要的服装图像逐渐变为了一个热门的研究课题。传统的基于文本的服装图像检索方法由于需要人工标记,存在描述不清晰和主观性强等不足,使得检索结果准确度不高。传统的基于内容的服装检索方法存在背景干扰、遮挡等问题,提取服装特征有一定的局限性。由于近年来在计算机视觉领域中,通过深度学习的方法可以很好地处理一些使用传统方法处理困难的问题,让深度学习得到了广泛的应用,因此本文将结合深度学习技术从两个不同角度进行服装图像检索的研究。本文基于深度学习技术研究服装图像检索方法,研究并提出了基于注意力机制的服装图像检索和基于图文联合的服装图像检索两种方法,最后设计了一个基于图文联合的服装检索系统。下面介绍本文具体研究内容。（1）提出了一种基于注意力机制的服装图像检索的方法。由于服装图像中难免会包含一些干扰因素,比如光线、背景和遮挡,在使用卷积神经网络进行特征提取时会将这些干扰因素也一起提取,导致影响检索准确率。为了减少这些干扰因素的影响,提出了基于注意力机制的服装图像检索方法。通过在卷积神经网络中加入一种轻量级的通用注意力模块,对通道和空间两个独立维度依次提取注意力特征图,提升在特征提取过程中服装区域的关注程度,压制背景等干扰区域的关注程度,从而提高图像特征的表达能力。在Deepfashion数据集上与不含注意力机制的网络进行对比实验,证明提出的方法可以有效提高服装检索的准确率。（2）提出了一种基于图文联合的服装图像检索的方法。为了满足用户需要对检索的服装图像中的某一属性进行修改的情况,通过图像和文本联合检索来实现。提出一种多模态融合检索的方法,首先分别对服装图像和修改的属性文本进行特征提取,通过用提出的图文残差门控模块让文本特征替代部分图像特征来结合文本和图像的特征,最后在数据集中检索出与新特征相似的服装图像。在Fashion-200K数据集上与其他检索方法进行对比实验来验证提出的多模态融合检索的方法的优越性。（3）服装图像检索系统的设计与实现。通过使用本文提出的图文联合检索的方法设计了一个基于网页的服装图像检索系统,该系统通过前后端分离的形式来实现,前端使用Vue框架,后端使用Spring Boot框架。用户可以在该系统中上传服装图像和输入修改文本,在数据集中检索符合要求的服装图像,并显示在系统的检索结果中。