大数据时代,数据量巨大且数据种类众多,其中图像类型数据以其优秀的表达能力成为目前进行信息交换的主要载体。在电子商务领域,同样以图像作为传递商品信息的载体。互联网金融风暴席卷全球,电子商务飞速发展,产生的图像数据量激增。各大电商平台都推出各自的商品图像检索平台,但是商品间检索需求耦合度低,很难全部满足。在电商鞋类方面,鞋类图像类型分为商品展示照和商品上身照。在现存的检索平台仅能满足用户对同款鞋类图像的检索,难以满足对鞋类商品图像类型进行细分的检索需求。针对此问题,提出由基于预训练卷积神经网络的微调、基于三元组损失函数的深度度量学习、基于鞋类商品属性的特征存储和检索三个主体部分构成的专门用于电商鞋类图像检索的设计方案。针对实验中电商鞋类图像样本不充足问题,采用对预训练卷积神经网络进行微调的方案来解决。微调前,对图像样本进行预处理工作,包括:数据标注和数据增强。预训练的卷积神经网络选用的是VGG16。对该网络进行微调的主要流程为:训练新分类器和卷积基微调。训练新分类器主要分为去除原分类器、冻结卷积基参数、添加新分类器、训练分类器参数四个主要过程。由于新旧任务相似性不太高,所以对卷积基中靠近顶层的卷积层进行微调来适应电商鞋类图像分类任务。在训练过程中运用一些优化手段来帮助模型训练,包括:应用Mini-batch、动态调整学习率、dropout解决过拟合、早停和保存最佳模型。针对卷积神经网络仅能按照图像中商品种类对图像进行分类,无法在此基础上对图像类型进行细分的问题,采用基于三元组损失函数的深度度量学习来解决。同时,针对瓶颈层特征缺失细节信息的问题,提出一种利用局部特征融合后的特征作为图像表述特征的优化方案。局部特征融合的过程主要有:选取局部特征、特征图尺寸调节、特征图深度降维、特征拼接、特征编码、全局特征映射。实验中,需要按照一定规则选取三元组并挖掘对训练有意义的组别。同时选取三元组损失函数和交叉熵损失函数对损失值进行计算。在模型的训练过程中运用一些优化手段来帮助模型训练,包括:单输入简化模型、应用Mini-batch、加入L2范数归一化。根据鞋类商品固有二级分类的属性结合关系型数据库而设计的存储方案可以避免特征存储前的聚类工作,加快了构建存储库的速度。关系型数据库采用的是分布式关系型数据库Ti DB,该数据库既有关系型数据库的优势,又具备无线扩充的能力,适用于海量图像特征的存储和检索。图像特征存储,先通过深度度量学习模型预测出图像中商品编号和图像特征,然后对图像特征利用二进制函数进行编码降低存储消耗,再利用鞋类商品的编号信息获取更多的商品信息来完成特征分库分表的存储和索引构建工作。在提出的存储方案之上,依据用户输入的待检索的鞋类图像进行同款商品且同图像类型的相似鞋类图像检索。在检索过程中采用大根堆来减少检索过程中的特征比较次数。