随着线上服装消费潮流的盛行,各大电子商务平台每天都会产生大量的服装购买数据,由于用户数量以及服装种类的不断增多,用户数据的稀疏性、复杂性给服装推荐模型的优化造成了大量的阻碍。现有的服装推荐模型对数据缺失较为敏感、对数据集的容错率较低、对离散型数据的处理效果较差,且只能给用户提供与推荐结果相关的图文信息,用户无法进行试穿,这会降低用户的购物体验并产生大量遗憾消费。因此,顺应机器学习技术、大数据分析技术、人工智能技术与工业互联网协同技术的发展,研发集服装推荐与虚拟图像试衣为一体的智能化推荐模式,成为了服装推荐系统的发展趋势。为弥补现有服装推荐模型的不足,解决服装数据复杂、服装数据超载、推荐准确率较低、推荐结果单一等问题,以女西装为例做出以下研究:首先,综述了服装推荐技术的研究现状,提出了基于随机森林算法并集女西装风格量化、风格相似性推荐、推荐结果图像试衣为一体的推荐模型。详细介绍了随机森林算法、服装推荐技术与图像试衣技术的基础知识。其次,完成女西装特征体系构建并实现女西装风格量化。收集了京东网与淘宝网中关于女装的若干商品信息,结合文献分析与专家访谈将女西装的常见风格标签总结为商务、休闲、通勤、甜美与街头这5类,将女西装的特征总结为HSV色彩特征、款式特征、图案特征与装饰特征这4个模块,对各特征模块的内容进行分析,并对各特征的赋值方式以及取值标准进行了说明,完成推荐模型搭建的前期准备。然后,构建了女西装推荐模型并完成了试衣训练。根据8位专家打分与色彩提取,标记西装样本集,借助Relief-F算法计算特征重要性得分,进行特征优选并设计对比实验。通过随机森林算法为样本中的特征与风格标签建立关联,构建分类模型,通过决策树叶结点计算用户目标与样本间的相似度,进行样本排序并形成推荐列表。收集图像试衣训练样本,完成针对女西装的虚拟图像试衣模型再训练。本研究采用从电商平台中收集的250个女西装样本,结合试衣模型进行验证,在特征优选部分总结得到16个特征（色调、饱和度、明度、衣长、廓形、袖长、袖型、门襟、材质、纯色、文字、几何、自然、拼接、褶皱和明线）作为最优特征集。模型对于风格分类的准确率达到85.3%,对比未优选的特征集与其他分类器有显著提升。通过对于30位消费者的用户调研得到模型推荐的准确率为83.3%,推荐列表中不同结果与目标的相似性呈现递减的趋势。研究表明:基于随机森林算法构建的西装推荐系统能够基本满足顾客对款式推荐需求,能有效解决服装数据超载、服装数据复杂、推荐结果单一等问题,提高服装推荐准确率。