随着互联网的普及,网络购物成为人们日常购物重要途径。其中,在线服装购更是成为购买服装不可或缺的手段。但是,网上服装商品款式众多,很难用简单的文本标签准确描叙,这给网络购物增加了麻烦。在线服装图像检索应运而生,通过以图搜图的方式,快速准确的检索到相似服装,大大提高了人们网络购物的效率。在实际生活中,在线服装检索存在很大难度,主要由以下原因造成:1.服装图像属性众多,比如多种不同的材质、纹理等;2.日常服装图像背景复杂,且服装易受到遮挡、光照等影响;3.服装为非刚性物体,易发生形变;4.在线服装数量巨大,如何提高服装检索效率一直是个难题。目前,在线服装检索受到了很多图像处理,机器学习等相关领域学者的关注,已经取得了很大的进展,但仍存在很多问题。针对服装检索目前存在的问题,提出了新的服装分割及检索方法,主要研究内容如下所示:1.调研了国内外先进的服装检索方法,对其涉及的相关技术进行了详细阐述。分析、总结了现有服装分割、检索方法的优缺点,针对其存在的问题,提出解决方法,完善服装检索流程。2.针对目前服装分割方法存在的问题,提出首先利用全卷积网对服装图像进行语义分割,去除复杂背景,只保留人体区域,防止复杂背景对服装分割的干扰。在分割出的人体区域上,结合人体姿态估计和超像素分割结果,准确地分割出完整的服装。3.服装表达方面,服装商品拥有多种属性,为充分表达服装特性,提取多种服装特征向量,采用多模态学习方法,挖掘不同模态特征之间的关系,得到高效的服装表达,既能提高特征的表达能力,还能降低特征维度,提高检索效率。4.研究了基于服装深度特征的快速检索。针对深度特征空间维度高,图像检索效率低的问题,提出在深度特征上引入词包模型的思想,将其转化为词频向量,稀疏化保留高频词与倒排索引结合,提高深度特征检索效率。最后,在实验中,我们将本文提出的方法与多个先进的服装检索算法进行对比,验证了算法在服装检索上的优越性。