网络零售已经是居民生活中不可或缺的一部分,2018年的额度首次突破九万亿。服装类产品作为需求量最大的网络零售商品之一,如何让用户快速有效地检索到心仪的服装成为各大电商平台考虑的重要任务。针对当前主流的基于文本的服装检索方法容易受到用户对图像描述的主观因素的影响,本文对基于内容的服装图像检索方法展开了系统的研究,并提出了一套基于感兴趣区域和特征融合的深度学习方法。论文首先是提取感兴趣的服装区域,以消除背景的影响。针对常规目标检测算法容易出现丢失服装关键点的问题,提出了基于关键点推理的算法,以获得关键点包含率高的感兴趣服装区域。论文接着实现感兴趣服装区域内关键点的精准定位,为提取关键点周围的局部信息做准备。针对回归方法对服装关键点坐标定位精度不高的问题,本文利用特征图上的响应值计算关键点的位置信息,并在所用网络模型的后端加上一个反卷积模块,对特征图进行上采样以提高特征图的分辨率,从而获得更高的定位精度。在上述两步工作的基础上,论文再分别提取感兴趣服装区域的全局特征和各关键点周围的局部特征,并将所有的特征进行通道约束的融合,融合后的特征用于服装图像检索,其性能优于无通道约束的融合。论文最后考虑到服装检索任务中检索效率和检索精度之间的矛盾,提出了基于带权哈希特征和服装款式分类的多任务服装检索方法,该方法能够根据具体需求在检索效率和检索精度之间实现灵活的选择。本文上述每步提出的算法,其性能都在Inshop和Consumer2shop等公开的数据集上得到了实验验证。