服装除了满足人们日常生活防寒保暖以及遮挡的需求,还反映了人们的时尚品味,更是不同个体身份和地位的象征。故越来越多的工作基于服装展开研究,例如:服装检索、服装推荐、虚拟换衣等,服装解析任务也应运而生。随着深度学习技术在计算机视觉领域广泛的应用,服装解析工作取得了一定的成功。然而当前服装解析工作为提高模型的解析性能,往往设计了复杂的网络结构或引用额外的辅助信息,导致参数量大、计算复杂等问题,因此并不完全符合实际应用的需求。故本文在具有少量参数的骨干网络上设计了两个相对轻量的注意力模型,解决了编解码网络中因低效特征融合或缺乏特征调制而导致的特征判别性不佳的问题和深层解码块在传递信息时存在的语义稀释问题,提高了模型的解析性能。本文的具体工作如下:首先,本文提出了基于门限机制注意力模型的服装解析方法。当前最先进服装解析方法常使用编解码结构。但是此结构在融合过程中未经筛选地拼接浅层编码块和深层解码块的特征信息。为解决这一问题,设计了基于门限机制注意力模型。该注意力模型自适应地从浅层编码块中选择深层解码块特征信息中所缺失的上下文信息,并用此信息对深层解码块特征补充融合。实验证明,该方法有助于提升模型解析性能,且不显著增加模型大小。其次,本文进一步提出了基于非缩放注意力模型和相邻调制的服装解析方法。设计的非缩放通道注意力模块能重新校准编码块和解码块内的特征,使被校准的特征更适用于服装解析任务。为解决深层解码块间的语义稀释的问题,还设计了自上而下相邻调制模块来对相邻解码块之间（包含最后一个编码块和第一个解码块之间）的特征信息施加语义一致性约束,逐步为各解码块补充来自高层级的语义信息。实验证明,此方法相比于基于门限机制注意力模型的服装解析方法以及其他最先进的服装解析方法,使用了更少量的参数,却达到了更有竞争力的模型解析性能。最后,设计并实现了服装解析图像标注系统。以解决在服装解析领域缺乏大量高精度服装数据集问题。该系统借助本文提出的基于注意力的服装解析模型,先将待处理的图像输入到训练好的模型中进行预处理,然后用户利用人工微调功能进一步优化。