计算机通过对输入服装类图像进行一些关键点或特征处理，提取服装图像的重要特征进行服装识别，在服装电子商务领域有重要意义。然而，目前方法在服装细节部分处理并不理想，存在内部细节结构特征点选取不准确和工艺上细节会被忽视与混淆的问题。例如，半身裙口袋与袖口等细节未被识别。为此，本课题探索一种利用特征提取与卷积神经网络结合的方法对半身裙图像进行识别。根据半身裙结构特点，展开对半身裙进行特征提取与识别方案的实现以及验证。本课题的主要包括以下内容与结论:
　　1.建立一个包括四大类半身裙图片数据集，其中包括外部轮廓、内部细节、风格、图案。运用了爬虫技术收集了21000张半身裙图像，为后续的图片识别与检索奠定了基础。
　　2.利用边缘提取对半身裙图像的外部轮廓进行了特征提取，对比了Canny算子与Sobel算子特征提取效果并得到最佳参数值。其中，Canny算子的参数值取值为80，Sobel算子的取值为1作为该算法的最佳参数值。
　　3.利用角点提取对半身裙图像内部细节进行了特征提取，对比了Harris算子与Fast算子特征提取效果并得到最佳参数值。其中，Harris算子的参数值取值为1，Fast算子的参数取值为30作为该算法的最佳参数值。
　　4.采用卷积神经网络对已特征提取的半身裙图片进行图片训练，利用本文的方法进行图片训练，其速度提高约37％，单张图片识别平均速度为0.0714秒。
　　5.采用卷积神经网络中TensorFlow框架对半身裙图像进行识别，平均识别率为93.87％，相比支持向量机提高了约10％。
　　综上，本课题提出并实现半身裙款式的特征提取与识别，轮廓提取能完整提取半身裙的边缘信息，角点提取能准确定位半身裙的细节特征。该方法的提出能够为服装设计师提供设计灵感，并为服装电子商务平台提供参考与依据。