随着近年来服装电商的蓬勃发展,网络服装图像数据得到爆炸性增长,如何在海量服装图像集合中快速准确地检索出用户感兴趣的服装图片是一个具有挑战性同时有着广阔应用前景的课题。传统的基于大量标签信息的服装图像检索因人工标注耗时耗力、主观性强、标签信息难以完整准确地描述出服装的某些特征,使得检索结果难以令人满意,而新近兴起的“以图搜图”的线上服装搜索模式,其本质是基于图像视觉内容特征的检索技术,依然存在特征选取、语义鸿沟等难题。由于深度学习近几年在计算机视觉等领域取得巨大成功,故本文将深度学习技术引入到服装图像检索领域,从两个不同角度基于深度神经网络进行服装图像检索研究。首先,综合利用深度神经网络模型的浅层特征和深层特征进行服装图像检索,提出了结合卷积神经网络多层特征融合和K-Means聚类的服装图像检索方法。通过在深度卷积网络结构中,利用浅层网络结构获取的是服装对象的细节信息,同时利用深层网络结构获取的服装对象的总体信息,从而获得具有更强表达力的服装图像特征向量,实现检索准确性的提高。具体以GoogleNet作为基准网络,从三个不同的Inception模块组提取网络特征,抽取出服装图像从低到高的多层次特征,进而将多种层次的特征进行融合作为最终的服装特征表示向量。同时,在相似性度量阶段,为了克服服装图片向量一一进行距离度量耗时长的问题,采用K-Means聚类先将服装图像分成K个类簇,然后将待检索图像表征向量与各个类簇中心的向量进行相似性计算,确定待检索图片的类别,缩小检索的范围。所提方法在DeepFashion数据集的部分数据进行验证,与传统的HOG、HSV特征提取方法和直接提取GoogleNet深层网络特征进行实验对比,所提实验方案能有效增强服装图片的特征表达效果,提升了“以图搜图”的准确率,而聚类方法也大大节省了检索时间,提高实验效率。其次,融合服装图片的颜色特征和深层网络特征来实现服装图像检索,提出了融合颜色特征和深度特征服装图像检索算法。由于颜色在服装中具有非常重要的作用,但先前直接利用深度学习方法进行服装检索时常出现服装款式相似但颜色差异大的问题,故利用深度神经网络获取颜色特征和深层网络特征并融合进行服装图像检索。将卷积神经网络中的Resnet50网络作为主网络,在其基础之上做了相应的改进,提取残差网络最后的卷积层获取服装图像的颜色特征,融合服装图片的深层网络特征作为最终特征向量,使残差网络在图像特征提取上的层次性和有效性被充分利用。在数据集Deepfashion、FashionAI及其他电子商务网站上爬虫的部分数据集上进行验证,结果表明,本方法在提取深层网络的全局特征的同时,还能提高颜色的表达能力,结合服装图片多种特征信息,一定基础之上提升了服装图像检索的精度,具备较强的实用性。