如今,随着高精度服装图像分类和检索的挑战日益增多,基于卷积神经网络的服装图像分类和检索技术受到了广泛的关注。卷积神经网络(CNN)是在多层神经网络的基础上开发的,主要用于通过图像分类和识别的深度学习方法。本研究致力于探索利用卷积神经网络提取服装图像特征的过程,然后探索基于不同卷积神经网络的服装图像的分类和检索技术。服装图像分类研究分为两个部分:第一部分基于个体任务学习构造五个不同的卷积神经网络,它们是常规的卷积神经网络,卷积神经网络执行基础模块,包括初始模块和残差。差分模块的卷积神经网络和两种迁移神经网络,第二部分构建了基于隐层共享和基于多任务学习的偏导数隐层共享的卷积神经网络。在服装图像检索研究中,使用预训练模型Inception V3作为特征提取器,并使用三个不同级别的特征映射,即Inception V3输出中的中层和深层,浅层特征和深层特征的融合进行映射。图像的特征数据建立了服装图像特征数据库,然后使用不同的等效单位算法来测量要检索的图像与数据库典型图像之间的相似度。基于Tensor Flow GPU平台和不同的服装图像数据集,本研究完成了上述卷积神经网络的设计,训练和验证测试。实验结果表明,卷积神经网络提取的特征优于快速鲁棒特征(SURF)算法提取。本研究旨在设计基于单任务学习的五种卷积神经网络模型,可以取得更好的抽象效果,结果表明采用转移学习设计的神经网络模型。它具有较高的分类精度,但具有更多的参数,这两种基于多任务学习的卷积神经网络模型的分类效果不理想。基于Inception V3的第一个理论模块输出的特征数据以及Bray-Curtis相异性检索效果良好,其改进空间很大。