一直以来，时尚领域积极拥抱新的科学技术，如何通过计算机视觉技术解决服装领域的相关问题成为当下研究的热点，怎样寻找一个合适的嵌入空间来保留更多的服装图像信息成为该问题的关键。目前，表示学习通过设计不同的任务来评价所获得表示的好坏，分类任务就是其中之一。
　　服装图像的分类是实现时尚智能化的基础，在未来，会拥有众多的应用领域。尽管在大数据背景下，服装图像数据的积累达到了空前的规模，但服装款式和服装风格的多样性与复杂性，对服装图像标签的设计提出了很大的挑战，同时传统服装图像分类技术受限于领域知识长期以来没有突破性的进展。随着深度学习在图像识别领域取得瞩目成绩，涌现出了许多基于深度学习的新方法。
　　本文从表示学习的角度出发，通过设计特定的分类任务来获取服装图像的表示。深入研究服装图像的分类问题，将其视为领域内的细分类问题，并将服装图像的分类分为基于内容的物品分类和基于理解的风格分类两种。针对服装图像分类问题中的标签含义抽象化、简单的迁移学习性能提升不明显的情况，本文引入混淆损失，设计新的目标函数进行训练，提高细粒度分类的准确度。针对服装图像的特点，结合深度学习的优势，提出基于多任务学习框架的Style-net模型，用于更好地解决服装风格的理解问题。设计关于服装图像的季节分类任务、服饰物品分类任务和风格分类任务，并以风格分类为主要研究对象，专注于提升风格分类的准确性，实现计算机对抽象概念的分类能力。
　　本文分别对比了多任务学习和单任务学习的性能情况，以及经典的深度学习网络和加入混淆损失后的新网络之间的分类效果，最后通过实验验证Style-net模型整体的性能提升情况。实验表明构建特定的网络结构、添加适当的约束条件对于深度神经网络学习到更好的服装风格表示具有一定的意义。在实际应用中，Style-net模型也能用于服装图像的自动标注系统。