伴随着电子商务平台的蓬勃发展,越来越多的人热衷于网络购物,其中,服装购买是在线购物中占比最大的部分,但是商城中服装种类繁多,数量巨大,所以面对海量的服装图像数据,如何快速准确地推荐出用户所需要商品是一个亟待解决的问题。针对这一问题,服装推荐应运而生,能够根据用户特定需求自动推荐出满足用户需求的服装,所以服装推荐可以给人们生活带来极大的便利性。目前针对用户特定需求的服装推荐主要面临的问题包括如下几个方面:1)用户需求不明确,用户的有些需求难以用定量的方式进行描述;2)高层用户需求和底层服装图像之间存在很大的语义差异;3)服装款式和种类众多,纹理、材质等属性信息比较复杂;4)服装搭配推荐是服装推荐一个重要分支,服装搭配推荐相关影响因素不明确,有待进一步研究。针对目前服装推荐技术中遇到的主要问题,本文提出了新的服装推荐方法,主要的研究内容如下:1.为了填补服装数据集缺少天气信息标注的空白,文本构建了一个包含13,229张服装图像的服装数据集Weather-to-Clothing(Wo C),并且标注了12个天气类别和13个服装属性,是国内外第一个有完整天气信息标注的服装数据集。2.图像中服装部位的检测和分割是服装推荐技术中一个重要的预处理过程,本文首次在服装推荐中运用Faster R-CNN和全卷积神经网络结合的方式进行服装区域的检测和分割,消除了服装图像复杂背景对服装推荐的影响。3.天气是选择服装时一个最重要的因素,但是天气和服装图像之间存在很大的语义鸿沟,本文采用服装属性作为中间桥梁,把服装属性作为隐式特征,缩小天气和服装图像之间的语义差异,提出了基于天气信息的跨模态服装推荐算法。4.服装搭配是人们在日常生活中经常遇到的问题,本文提出了服装图像转换成风格空间学习和匹配空间学习算法,并使用特征融合的方法融合风格和匹配特征,提出了基于匹配空间和风格空间的服装搭配推荐框架。最后,通过和其它服装推荐方法进行对比实验,验证了本文提出方法的优越性。