最近几年,服装领域电子商务蓬勃发展,互联网上的服装图像数据量与日俱增。为了处理海量的服装图像数据,有效的基于内容的服装图像检索变得异常重要。散列方法,即以二进制码表示图像,并使用汉明距离来判断相似性,因其在存储和搜索速度方面的优势而被广泛接受。受卷积神经网络(CNN)最新进展的鼓舞,本文提出了一种有效的深度学习框架,快速生成用于服装图像检索的二进制哈希码。本文提出了一种新的监督深度哈希方法,用于学习紧凑哈希码以执行基于内容的图像检索,该目标哈希码用于描述不同图像内容之间的关系。然后,目标哈希码被馈送到深度网络进行训练。针对大规模的服装图像数据库,提出了基于深度网络的服装检索模型。经过训练,我们的深度网络可以为不同内容的图像生成具有较大汉明距离的哈希码。在本文服装图像数据库上进行的实验表明,我们的方法优于其他最新方法,包括无监督,有监督和深度哈希方法。本文主要完成了以下工作:首先是构建了一套服装数据集。该服装数据集共有102000张服装图像,其中该数据集要包含服装的类别信息,服装边界框位置信息和服装掩膜信息,其中实验结果显示位置关键点信息可以克服服装光照,变形,有遮挡造成的影响,掩膜信息可以提高服装定位准确率。其次利用深度神经网络提取服装图像的深度特征,对比分析传统的提取服装特征的算法,例如全局特征(HSV特征)或者局部特征(SIFT特征)。利用分类准确率来验证特征提取算法的优劣。另外为了消除背景因素的干扰,本文利用区域卷积神经网络进行服装区域定位,并对比传统的服装定位算法,提高最终检索准确率。最后本文对比不同的图像检索算法,提出将深度网络和哈希算法相结合的深度哈希网络,该网络使用计算出的目标哈希码进行训练。对比从深度网络的中间层派生哈希码,本文的方法从输出层生成哈希码。与成对和三元组方法的训练过程需要两个图像或三张图像作为一个训练样本相比,大大缩短了训练时间。在本文收集的服装图像数据库上进行的实验表明,我们的方法优于包括无监督,监督和深度哈希方法。