近年来,互联网的高速发展和电子购物平台的不断涌现,线上购物方式显得更加方便快捷,人们逐渐从线下店铺转向线上店铺购买服装。此外,随着服装产业的发展,在服装设计领域、服装销售领域,都对服装图片的管理,尤其是分类检索提出了更高的要求,特别是服装属性、细节分类,例如服装颜色、服装领型等。因此,在购物网站上利用衣领类型检索服装成为一种日益增长的需求。目前针对服装领域的研究主要集中在服装的类别和属性的特征提取上,包括服装的色彩、形状、纹理等,只有较少的研究者关注服装的细节分类,如衣领。当前容易收集得到的服装衣领图像所包含的背景噪声较多,且衣领部分往往存在形变、拍摄视角不同、缩放程度不同等因素,如果使用传统的方法对此类衣领图像进行分类与识别,模型很难排除背景因素的干扰,图像分类难度增加。此外,当前没有针对性的衣领图像数据集公开供研究者开展研究工作。随着智能化和大数据时代的开启,传统的方法无法高效地应对实际应用场景中背景复杂的、高分辨率的图像,表现出低识别率、低效率和低适应性的缺点。卷积神经网络的层级之间具有紧密相关性,善于挖掘图像局部特征,能够处理图像中丰富的空间信息并抽取关键性特征。为了进一步提高衣领图像的分类性能,满足现实生产生活的需求,同时鉴于近年来卷积神经网络在图像识别领域取得的重大突破,本文提出了两套衣领数据集和两种基于卷积神经网络的衣领图像分类方法,主要研究内容如下:一、针对当前图像分类领域中缺乏衣领图像数据集的问题,本文构造了两套衣领图像数据集,分别命名为Collar-4和Collar-6。Collar-4数据集中包括圆领、翻领、立领、连帽领4种类别,总计39248张图片。Collar-6数据集中包括圆领、翻领、立领、连帽领、V领、毛翻领6种类别,总计18847张图片。Collar-6数据集和Collar-4数据集相比,每类的图像数量少,并增加了两个类别。两个数据集均从互联网中收集而来。衣领图像具有多姿态、多噪声、分类区域小等特点,给衣领图像分类任务带来诸多挑战。二、为解决含有大量噪声的衣领数据集的图像分类问题并提升现有算法处理现实衣领图像分类的能力,本文基于所构造的Collar-4数据集,提出一种用于真实衣领图像的分类算法,该算法是在Squeeze Net网络中的Fire模块里添加注意力机制CBAM块进行改进的,改进后的模块称为Fire CB,改进后的算法称为Squeeze Net-CB。实验部分,将Squeeze Net-CB的初始化模型、迁移模型与传统卷积神经网络的初始化模型、迁移模型进行对比。实验结果表明Squeeze Net-CB的分类效果优于传统卷积神经网络。消融实验部分,对Squeeze Net-CB进行结构简化对比实验,进一步证明了本文方法的有效性。通过实验表明Squeeze Net-CB在Collar-4数据集上的应用是可行的,该算法可以有效地解决现实世界中有噪声背景的衣领图像分类问题。三、传统的图像识别方法在粗粒度图像上的识别效果良好,但在处理复杂背景特别是粒度过细的图像时,却无法准确地区分和把握住图像的主要特征。为解决上述问题,同时探讨卷积神经网络在小型衣领图像上的细粒度图像分类性能,本文提出了一种M-Res Net50分类模型用于服装衣领图像分类,该模型是在ECA-Res Net50的基础上结合了MC-Loss损失函数所设计。实验使用的数据集包括本文构建的Coller-6数据集,公共数据集Deep Fashion。实验结果显示,改进的模型比现有的CNN模型有着更高的准确率,更好的特征提取能力,解决了细粒度的衣领图像分类困难的问题,推动服装商品图像分类的进一步发展。本文进行的多组对比实验中,提出的算法和模型取得了较好的实验的效果,验证了本文所提出的方法在衣领数据集上的应用是可行的,可以有效地解决现实世界中有噪声背景的衣领图像分类问题。此外,验证了本文提出的Collar-4和Collar-6衣领图像数据的分布是合理的,可以支持分类模型的构建,可以作为现实世界中衣领分类任务的训练集数据,对于开展服装衣领的分类、检索等研究具有实际意义。