近年来,随着高精度的服饰图像分类和检索的应用需求不断增长,基于卷积神经网络的服饰图像分类和检索技术得到了广泛关注。卷积神经网络是在多层神经网络的基础上发展起来的,主要用于图像分类和识别的一种深度学习方法。本文首先探究了卷积神经网络对服饰图像特征提取的过程,随后研究了基于不同卷积神经网络的服饰图像分类和检索技术。服饰图像分类研究分为两部分:第一部分设计了五种不同的基于单任务学习的卷积神经网络,它们分别是常规卷积神经网络、包含Inception模块的卷积神经网络、包含Inception模块和残差模块的卷积神经网络以及两种迁移神经网络;第二部分设计了基于多任务学习的隐层共享和部分隐层共享的卷积神经网络。在服饰图像检索研究中,使用预训练模型Inception-v3作为特征提取器,采用Inception-v3输出的浅、中、深三个不同层次的特征映射,以及浅层次和深层次特征映射的融合作为图像的特征数据构建服饰图像特征数据库,进而使用不同的相似性度量算法衡量待检索图像与数据库样本图像之间的相似性。基于TensorFlow-GPU平台和不同的服饰图像数据集,本文完成了上述多种卷积神经网络的设计、训练和测试。实验结果表明:卷积神经网络提取的特征比传统的SURF算法具有更好的抽象性;本文所设计的基于单任务学习的五种卷积神经网络模型都可以达到比较好的分类效果,其中使用迁移学习设计的迁移神经网络模型的分类精度更高,但是参数量较大;基于多任务学习的两种卷积神经网络模型的分类效果差强人意,需要改进的空间较大;基于Inception-v3第一个Inception模块输出的特征数据和bray-curtis相异度的检索算法的检索效果较好。