互联网的快速普及和在线购物平台的蓬勃发展使得网购服饰成为了一种潮流。随着人工智能技术的发展，时尚智能分析可以为消费者提供一些个性化服务，可以预测时尚的流行趋势，推荐搭配的单品以及对时尚搭配的兼容度进行预测。在此背景下，随着人们对时尚的持续追求和亟需解决的穿衣搭配难题，本论文重点解决时尚搭配的兼容度评分预测问题。
　　在许多研究中，缺乏把套装作为整体的分析，同样，挖掘影响时尚兼容度预测的潜在的特征信息以及建模原始数据之间的复杂关系都是问题的切入点。为了解决上述挑战，本文提出了两个算法，分别为基于低秩超图正则化的多表示学习框架(Low-rank Hypergraph regularized Multiple Representation Learning，LHMRL)和基于多图正则化的低秩表示学习框架(Multi-graph Regularized Low-rank Projection Learning, MRLPL)。LHMRL从多个不同的视角来表示时尚单品的原始特征，同时加以低秩约束去除冗余干扰。模型基于格拉斯曼流形理论最大化了多重特征表示之间的差异，结合多个超图正则化约束项来建模时尚单品和套装之间的复杂关系。为提高模型的表示能力，利用来自有标签数据的两种类型的监督信息，分别为表示单品和套装间关系的多标签矩阵和有监督的Lasso。MRLPL则首先将原始特征矩阵分解为主特征部分、潜在的显著特征部分和稀疏误差部分。然后用主特征部分、显著特征部分结合表示单品和套装间关系的二元关联矩阵来对套装集合进行建模。为挖掘影响时尚兼容度预测的复杂结构，算法引入三个图约束，来分别捕获特征流型、样本流型以及集合流型上的几何结构。为了提高模型的可表示性，引入监督信息来指导模型的学习，采用Lasso方法并把时尚兼容度预测看作一个回归问题。我们在公开的大规模数据集Polyvore上进行了实验，将结果和一些已有的经典算法以及前沿的最新算法进行对比，均证明了提出的模型的有效性。