随着服装电子商务的发展和大数据时代的来临,互联网上存储着海量的服装数据,用户对服装检索和搭配的需求也日益增加。帮助用户快速精确的找到心仪的服装,并且推荐合适的搭配方案,是服装电商平台提升用户体验和销量的重要手段。正因如此,对服装检索和搭配技术的研究就变得十分有意义。服装检索和搭配技术都依赖于对服装图像内容信息的理解,这种理解就转化为对服装特征的表示上。本文基于深度学习对图像特征的表示,研究了其在服装检索和搭配技术上的应用。本文主要完成以下工作:1.本文介绍了局部特征和深度学习特征两种图像特征的表示方法,分别分析这两种特征的优势和不足,给出了服装检索与搭配技术的理论依据。在局部特征方面,重点介绍了SIFT特征、SURF特征和基于这两种特征编码的BoF特征模型;在深度学习方面,重点介绍了自动编码器和卷积神经网络。2.提出了基于卷积神经网络的服装属性多标签分类模型用于服装图像特征提取。服装图像中含有丰富的服装特有的属性信息,比如颜色、花纹、袖子的长短等等。本文通过训练一个深度卷积神经网络对这些服装属性进行分类,并使用该神经网络的深层激活值表示服装特征。在网络训练过程中,为了弥补服装训练数据的不足,运用迁移学习的方法对网络进行再训练。实验结果表明,该深度卷积网络提取的特征对服装的属性特点能够很好的表示,并且获得了较好的服装检索效果。3.提出了基于相似性度量学习的服装特征优化网络。本文基于Triplet相似性度量学习和双卷积神经网络结构,使用三元组服装图像训练网络参数,对服装特征匹配进行了优化。使用该网络提取服装特征后,用近似最近邻查找相似服装。实验结果表明,优化后的特征在服装商品图和用户拍照图检索效果上都有提升,对服装的光照和形变等干扰因素鲁棒性较高。4.提出了基于服装图像深度特征和局部编码特征的服装搭配空间构建方法。本文基于卷积神经网络提取的特征和SIFT特征编码的BoF特征融合形成服装搭配特征,并使用去噪自动编码器对服装特征降维,然后基于搭配数据集中的搭配频繁项集构建关联规则,使用服装搭配特征和关联规则构建服装搭配空间。实验结果表明,基于该服装搭配空间能够为用户找到合适的服装搭配方案。