人们审美水平的不断提高与互联网的快速发展促使时尚产业蕴含着巨大的市场潜力,多媒体、模式识别和计算机视觉等领域对时尚服装开展的智能分析研究引起学术界和工业界的广泛关注。其中服装属性与关键点的识别是进行趋势预测和检索等后续智能分析任务的基础问题之一,因此具有重要的研究意义。然而,服装工程知识体系专业性较强,现阶段已有的基于深度学习算法对于该领域的研究存在着单件衣物属性分类简单、准确性有待提高等问题。T恤是人们最常见的服装类型之一,本文以T恤密集属性实例分割与关键点预测为目标,结合T恤设计体系及图像的特点,针对T恤服装属性识别的关键问题,从以下几个方面开展了研究:（1）T恤密集属性数据集创建。结合服装工程专业领域知识,将T恤的属性概括为领型、袖型、下摆、合体度四大维度并且为每个维度设计相对应的分属性。该数据集包含20130张图像,标注信息不仅包含T恤的属性分类信息,还包括每个属性相对应的位置信息,使深度学习模型能够完成实例分割任务。（2）多样化数据预处理。使用四种数据增强的方法进行数据预处理:限制对比度直方图均衡算法,图像锐化算法,图像压印算法,随机光照对比度增强算法。通过以上四种数据增强手段来使模型不易过拟合,同时使模型更具有泛化性。（3）针对特征提取主干网络,提出改进后的深度残差卷积网络T-Net。通过在原始残差卷积网络中引入延迟下采样的操作,使卷积核能够充分提取特征图的特征信息,从而提升模型的检测能力。（4）改进原始检测网络中过滤预测框的算法。将经典非极大值抑制（NMS）算法改进为柔式非极大值抑制（Soft-NMS）算法,从而加强对相互重叠小目标的检测性能。