服装是人们日常生活的基本需要,同时也是人们展现个性的重要途径。近年来随着各种网络购物平台的崛起和深度学习技术的不断发展,服装领域出现了服装推荐、搭配、分类和虚拟试衣等新兴应用。作为实现这些应用的关键技术,服装解析可将服装图像分割成多个部分并为每个像素分配对应的标签,从而为后续的服装特征提取、分类和推荐等提供精确的语义分割结果。由于服装图像具有较复杂的款式、纹理和风格,且存在背景繁杂、人体姿态多变和非刚性等特点,这些都给服装解析带来了不小的挑战。本文针对当前服装解析算法中同一服装被划分为多个不相邻区域、服装之间尺度差异较大等问题,提出了基于双重上下文和服装组合信息的改进服装解析算法。研究内容主要包括:（1）针对服装图像中固定款式服装在不同区域的特征上具有紧密关联性的特点,提出了基于注意类特征模块ACFM（Attention Class Feature Module）来捕获图像的类级别上下文,通过由粗到细的分割结构来计算图像中每个类别的平均特征,并比较每个像素的特征与各类别平均特征的一致性。此外,还利用像素相关性模块PCM（Pixel Correlation Module）来捕获图像的全局上下文,通过修改和整合自注意力机制来计算图像中任意两个像素点间的相似度,并使用像素相似度来改善注意类特征模块的输出特征,从而得到聚合了类级别上下文和全局上下文的增强的特征图,有效改善了服装解析中的误分类情况。（2）针对服装的组合特性提出了基于类间关联改进的服装解析方法,使用每两类服装之间的关联性作为服装组合信息,其核心是在Gram矩阵的基础上对当前输入图像计算对应的类间关联矩阵,并且使用该矩阵的信息在训练阶段通过移动平均策略不断更新类间关联存储模块ICMM（Inter-class Correlation Memory Module）,从而获得数据集级别的服装组合信息,实现了服装解析中不合理服装组合的自动过滤。（3）针对服装图像中部分物体尺度差异较大的问题,基于多尺度聚合对上述服装解析方法进行进一步的改进,在初步聚合了数据集级别服装组合信息的基础上使用多个不同大小的卷积核和全局平均池化来提取图像中不同尺度物体的信息,从而得到聚合了多尺度信息的特征图,有效改善了细小物体的分割效果。本文在CFPD数据集和CCP数据集上进行验证实验,结果表明各数据集的解析精度较PSPNet、DANet和Deep Lab V3等SOTA（state-of-the-art）算法都有一定的提升。其中,基于聚合类级别上下文和全局上下文的服装解析Res Net网络,在CFPD数据集上达到了93.03%的PA和50.95%的m Io U;而以多尺度的方式聚合服装组合信息后,分割精度进一步提升到了93.15%的PA和51.24%的m Io U。实验证明本文的方法能够较为准确地解析出不同尺度的服装物体,并且能够排除一些异常的服装组合,具有较好的实际应用价值。