随着社会经济的快速发展,居民消费水平日趋提高,各大服装品牌的竞争日趋激烈,人们对服装的要求越来越高,消费者在购买服装时,不仅讲究是否合身,也对服装的样式、展现的风格有了更高的要求。研究四大时装周中所展示的服装流行风格,对服装流行风格进行建模、量化也成为了当今的研究热点,对于服装行业有着重要的意义。在现有的服装流行风格研究中,大多数研究者将服装风格的研究局限于服装的全局特征,而服装风格作为一个主观判断,服装属性和风格之间的关系往往会被忽略。本文依托本课题组的横向课题项目服装时尚设计资讯平台为背景,从服装图像中提取服装流行属性,并对服装流行风格进行建模,最终对服装的流行风格进行归纳并构建了服装流行风格展示系统。本文的主要工作如下所示:（1）构建了一个时装走秀数据集VogueStyle。首先通过对5年内15个时尚品牌在四大时装周上的服装走秀图像服装进行前景提取、转换颜色空间、高频颜色聚类等操作,提取出服装的高频颜色。接着使用基于迁移学习的Resnet-50卷积神经网络,对服装造型标签进行了提取,为服装流行风格建模提供了数据来源。（2）使用结合词嵌入的主题模型对服装的流行风格建模。利用主题模型对服装的流行风格进行建模,可以解决服装流行风格和服装流行元素之间的语义鸿沟。本文提出了一个结合深度学习的服装风格主题模型。并根据专家知识,为本文数据集中的服装赋予风格标签。本文使用聚类评估的外部指标归一化互信息,对本文的模型进行了评估,根据评估显示,本文提出的结合深度学习的服装风格主题模型归纳出的风格相较于传统主题模型更贴近现实风格。最终,对本文提出的模型进行应用,归纳了服装的流行风格并对服装图像相似度进行了探究。（3）设计并实现了一个服装流行风格展示系统。本系统基于Spring-Boot架构,使用了MySQL数据库和Redis数据库存储系统中的数据,实现了用户登录注册、服装风格检索、服装流行趋势查看、服装收藏等功能,并对一系列数据进行了可视化展示。论文通过对服装进行前景提取、转换颜色空间、高频颜色聚类等操作,提取出服装的高频颜色。接着使用基于迁移学习的Resnet-50卷积神经网络,对服装造型标签进行了提取,根据实验评估,模型的平均准确率为0.811,平均精确率为0.880,很好地对服装的造型标签进行了提取。然后,提出了一个结合深度学习的服装风格主题模型。并根据专家知识,将本文数据集中的服装风格分为Casual、Preppy、Bohemian、Punk、Classic、Streetwear、Sports、Grunge等8类。本文使用聚类评估的外部指标归一化互信息,对本文提出的模型进行了评估。最终,根据本文提出的模型,构建了一个服装流行风格展示系统。