随着服装业电子商务和网络购物的快速普及,准确和高效的服装图像分类不但可以实现服装的自动标注,也能大大提高服装检索和虚拟试衣等服装应用的效率。由于服装图像场景复杂,数量庞大,且易受光照、人体姿态和形变等因素影响,传统的服装分类算法例如支持向量机和K近邻算法等分类效率不高,错分类问题比较严重。因此,如何利用深度学习方法来实现服装的准确分类成为目前图像分类研究领域中的一个重要内容。本文针对服装图像VGG16和Res Net等分类模型较少考虑浅层的颜色、形状等特征,以及在特征学习过程中特征信息没有得到充分利用且会受到背景信息干扰等问题,分别提出了改进的基于深度聚合以及基于混合注意力机制和条形池化的服装图像分类算法。论文研究工作的主要内容包括:（1）针对深层卷积服装分类网络在得到高级特征信息时丢失较多浅层特征的问题,提出了DLA-VGG16分类模型。通过在每个卷积块内增加块内卷积层的深度聚合点,和在块与块之间增加聚合模块,使得分类模型能在充分利用不同尺寸的感受野得到服装深层特征的同时减少浅层特征信息的损失,从而减少了网络在学习过程中因为上采样和下采样造成的服装特征信息的丢失。（2）针对深层卷积网络使用注意力机制进行服装分类时通常只侧重于二维特征信息,而忽略三维特征信息的交互利用的问题,提出了基于全局三维信息的混合注意力模块。通过进行全局的三维特征信息交互,从而增强了跨维度信息的通道权重的利用。通过扩大跨维特征信息通道-空间依赖性,能够更好地分配特征信息的权重,从而能有效提取与服装图像分类任务结果相关度更高的特征信息。（3）针对服装分类易受背景信息干扰以及高相似度的服装类别被错分类的问题,提出了一种基于Res Net的长方形池化层分类方法。使用长方形池化层来代替网络中的传统正方形池化层,通过沿较长维度方向扫描全局来获得服装图像的全局信息的同时,还通过较窄池化层进一步提取局部特征,不仅有效避免了正方形池化层在提取特征时造成的损失,而且减少了与服装分类无关的背景特征的提取。通过在Fashion-Mnist和Deep Fashion服装数据集上对相关算法的验证,论文提出的基于非对称卷积的深度聚合服装图像分类方法表明相比于VGG16网络的准确率分别提升了1.22%和4.12%,改进的基于混合注意力机制的长方形池化Res Net服装分类方法相比于基础网络分别提升了0.55%和1.14%。综合实验结果,本文提出的基于注意力机制的条状池化服装分类算法能较好地融合服装图像的全局和局部、深层和浅层特征,同时结合混合注意力模块提高了服装图像的分类精度。