少数民族服饰作为民族文化特色的载体,在民族传统文化中具有重要地位,研究少数民族服饰图案,对保护和传承民族传统文化有重大意义。由于少数民族服饰图像存在背景复杂程度低,同民族服饰饰品较为相似等情况,利用目前已有的分割网络技术容易出现过拟合,相似物体分割任务难度增加等技术问题,本文从深度学习方法着手,利用卷积神经网络和多层感知机,通过在网络中加入注意力机制以及选择合适的损失函数等技术,提出了一种基于深度学习的少数民族服饰图像语义分割方法,该方法研究其网络模型的改进技术,解决现有民族服饰图像分割方法中存在的相关技术问题,提高网络模型的分割性能,所做主要工作如下:（1）设计了一种基于DeepLabv3+网络的苗族服饰识别Efficient-DeepLabv3+网络。网络训练中利用Mosaic数据增强增加训练时图像的背景复杂度,以提取到更多特征信息;使用标签平滑避免网络因过分相信训练样本标签而产生过拟合;引入辅助分支结构充分利用中间特征层所保留的信息,与主分支损失函数共同计算损失值;利用联合损失函数计算损失值以预防梯度爆炸,使用多级衰减余弦退火算法以找到当前迭代次数的最优学习率。实验结果表明,在苗族服饰数据集上,Efficient-DeepLabv3+网络的平均交并比及类别平均像素准确率分别达到了83.32%、92.54%。（2）对Efficient-DeepLabv3+进行改进,设计了TGMLP-Efficient-DeepLabv3+网络。网络中引入了SE注意力机制,设计了一个高效的TGMLP结构。首先设计了一种TMLP模块,TMLP由三个分别沿着通道、宽和高维度进行编码的分支组成,使TGMLP不仅能沿空间维度捕获特征的长距离依赖关系,且能沿三维方向保持精确的位置信息;其次,设计了Local and Global Perceptron模块,Global Perceptron模块将特征图拆分成不同区域,将每个区域进行相关性建模,以建立不同区域间的全局依赖关系,Local Perceptron模块利用卷积强大的局部特征提取能力,多尺度处理特征图,探索结构内部的上下文信息联系;最后,在TGMLP中引入门控机制,使模型能在不同规模数据集上更容易学习特征图存在的位置偏差;网络利用Focal Loss损失函数调整样本权重,提高网络的分割性能。实验结果表明,在苗族服饰数据集上,TGMLP-Efficient-DeepLabv3+网络能获取全局上下文信息,建立特征之间长期依赖关系,更完整地分割物体,进一步提升了网络分割性能,其平均交并比及类别平均像素准确率分别达到了84.96%、93.7%。