在网络科技和电子商务日益发展的时代,越来越多的消费者通过网络电商平台进行购物,尤其是各类款式新颖的服装商品,从而导致海量的服装图像不断累积。如何精准地从繁杂的图片数据中搜索出目标图像信息,已经成为当前众多电商平台急需解决的问题之一。传统的图像检索方法只关注到图像的部分特征,当图像的背景以及图中模特的动作发生变化时会影响检索的结果,因此检索准确度存在一定的缺陷;此外,典型的深度神经网络参数规模大,训练和检索都需要占用大量的空间和时间,在实践中需要做轻量化处理,以减少时空复杂度,提高检索效率。针对以上问题,本文利用深度学习相关技术,结合特征融合和模型压缩的策略,进行服装图像检索方法的相关研究,主要工作如下:（1）综述了服装图像检索相关的理论和方法,然后利用爬虫技术获取某品牌服装官网上的34205张图片及其URL地址,包含男装、女装、童装和婴幼儿装四大类,并将图片进行统一处理,构建了本文研究的数据集。（2）针对检索准确度低的问题,提出了基于特征融合策略的服装图像检索方法。首先在对比分析VGG16、Res Net50、Inception＿v3和Dense Net169的基础上,本文选出检索效率最优的VGG16模型;其次,通过融合VGG16的深层特征和浅层特征设计了新的图像特征提取模型VGG16＿fusion;最后,融合不同模型的深度特征,通过组合寻优方式获得VGG16＿fusion+Inception＿v3融合方法,并在此基础上,进一步融合颜色特征。实验结果表明,本文改进的服装图像检索方法比使用原VGG16模型进行检索的准确率提高约5个百分点。（3）针对深度神经网络模型的时空复杂度较高、图像检索效率低等问题,本文利用权重和卷积核删减的策略,在冗余较大的VGG16＿fusion模型的基础上进行模型压缩,删减冗余权重与卷积核,减少计算量。实验结果表明,在自建服装数据集上,融合权重与卷积核删减的模型压缩方法检索效果更好,将模型压缩了约2.2倍,检索速率提升了约63.1%,同时检索准确度保持稳定。（4）在Py Charm平台上,利用Flask框架、VUE开发技术以及My SQL数据库等搭建服装图像检索系统,对检索结果进行展示,同时对比分析各个模型的检索性能。实验表明,本文提出的模型改进方法对服装图像检索具有一定的应用价值。