伴随着现代信息技术在我们生活中的逐步深入以及“互联网+”新业态的发展,互联网与各行各业深度融合,电子商务也快速活跃起来,人们的生活和购物方式已得到深刻的变革,电商服装购物已成为一大支柱性产业,体现出普及化、全球化、移动化的趋向。由于服装产业在网络购物中具有巨大应用前景以及潜在利益,网络涌现出大量服装图像,使得服装分类方法广泛应用于电子商务中的“以图搜图”以及服装搭配、推荐等领域,极大地推动了该方面的研究。为此,本文为了解决服装图像大多基于简单款式的粗粒度分类,且分类准确率较低的问题,以时尚女装为例,提出基于部件检测和视觉特征的服装图像分类方法研究,实现提高服装分类准确率和精度的目标,以更好地满足实际应用中的需求。首先,针对目前时尚女装图像检测由于拍摄场景及人体姿态众多,检测准确率不够准确的问题,提出一种基于可变形模型(DPM)的服装图像部件检测方法。该方法首先对梯度方向直方图进行计算,然后进行归一化、截断及降维,获取DPM特征表示;其次计算位置与根模型、部件模型的响应得分;最后通过响应变换推算部件的最优位置,得到目标综合响应分数输出检测结果,较好地适应了不同人体姿态和视角变换的人体部位检测以及寻找具有区分性的部件区域。然后,针对目前时尚女装图像分类方法对于时尚领域的专业设计特点不够具体,分类准确率不够高的问题,提出基于视觉特征和潜在支持向量机(LSVM)的服装图像粗粒度分类方法。利用DPM得到训练和待分类时尚女装图像的检测结果,提取检测后图像的底层视觉特征,建立时尚女装粗粒度款式和属性表,基于LSVM算法对时尚女装图像进行监督学习,进而实现准确率较高的粗粒度分类。最后,针对时尚女装款式和属性更为细致和复杂,而且不同类型间属性差异细微的问题,提出基于款式特征描述符的服装图像细粒度分类方法。以时尚女装为例,定义了能够描述服装细粒度属性的款式特征描述符,并将款式特征描述符与提取到的4种底层特征进行匹配,提高了特征提取的有效性和准确率;采用随机森林和多类SVM相结合的方法对不同时尚女装款式以及属性分别进行监督学习,实现了时尚女装图像的细粒度分类,具有较高的分类精度和准确率。