随着计算机技术和互联网的快速发展,网上购买商品逐渐成为居民主要的消费方式。消费者使用手机应用软件可以快速检索国内外款式纷繁的服装产品,商品越过了传统分包售卖流程直接送达用户手中。因此当下服装图像的应用是重要的研究课题,其中识别与分类更是实现服装产业链数字化的基础技术手段。学术界围绕以服装图像为基础进行自动分类识别开展了许多深入的研究。由于服装图像包含的细粒度分类多,不同部件设计复杂,同时又受到服装摆放角度、拍摄的不同着装方式以及不同的图像缩放尺度等影响,现有的按照款式大类进行区分难以满足现代多样化设计的实际需求。传统的服装图像分类方法主要依靠人工对图像进行样本标注。依靠模型训练机器打标的方式需要大量同类图像样本,然而随着新颖服装款式的增加,其款式同类样本少,而小样本服装图像的识别效果较差,难以实现不同款式的自动分类。因此为了实现小样本服装图像的细粒度分类,本课题以男西装为例,按照西装前襟纽扣排布方式进行款式分类研究。采用改进的残差神经网络以及几何坐标判别算法两种方法对西装图像进行识别分类并优化分类结果。文章主要内容如下:（1）本课题选择市面上常见的几种款式建立了一个包含六种不同纽扣排布款式的西装图像数据集,可分为以下六种。单排扣西装上衣:分为一粒、两粒、三粒纽扣。双排扣西装上衣:分为两粒纽扣、四粒纽扣、六粒纽扣。每个款式的数据集中包含了多种不同的着装方式的西装图像。（2）为了实现服装图像的小目标识别,本课题选取含有图像金字塔（FPN）的Faster R-CNN算法应用于西装扣型的识别,能够更好的解决检测中的多尺度问题,大幅度提升小目标的检测性能。同时针对服装小部件的二分类问题,引入残差神经网络（Resnet）,其残差模块使得加深网络后仍可不以造成梯度消失的问题,以取得较高的识别精度。该模型提出RPN候选框提取提高了生成检测框的速度,同时提出了残差模块很好的解决了梯度消失的问题。研究将引入的两种网络结构整合搭建模型,该模型在西装款式数据集上的实验结果表明,所选用的网络模型在服装小部件识别与分类精度上优于对比实验中选用的常见网络。该方法对西装前襟纽扣识别的精度（AP）为0.9245,扣眼的AP值为0.8915,总平均精度值（m AP）达到了0.908,实现了对服装图像内部小目标的精确识别。（3）针对男西装图像因摆放角度、着装方式的不同,导致纽扣被遮挡等复杂（4）情况提出了解决方案。传统识别方法对该细部特征识别困难且分类效果不理想。本课题首先对服装图像进行极坐标矫正以消除摆放角度不同的干扰,其次在Faster R-CNN识别模型的基础上获得小目标部件的精确坐标,并提出几何坐标判别算法,以实现在不同着装方式下西装款式的批量准确分类。该算法通过识别横纵纽扣及（5）扣眼的具体像素坐标进行模糊判断,判断出被遮挡的纽扣和多余暴露的扣眼情况,同时剔除偏离阈值的目标,有效实现了西装款式的精确分类。结果表明,所提出的方法在神经网络分类结果的基础上将整体分类精确度提高至95.19%。本课题分别对网络选取与分类结果设计了对比实验,结果表明所搭建的模型和几何判别算法取得了良好的实验效果,验证了课题所提出的方法对男西装数据集准确分类的可行性,有效提高了小样本西装商品图像的分类精度,以及解决了当摆放角度不同及纽扣部分遮挡时出现的分类错误。对于开展服装细粒度的分类、检索等研究具有实际意义。