随着互联网和移动电子设备的普及,传统购物方式逐渐被网络购物所取代,从而成为新的潮流。其中服饰作为必需品,在网络购物中占有重要比例。目前大多数服饰购物平台的服饰检索技术是利用基于关键字的检索方法,但其存在无法全面地描述图像内容、人工标注服饰属性时主观性过大,影响服饰检索的精度等问题。而基于内容的服饰图像检索方法可以很好地解决上述问题。基于内容的服饰检索关键在于服饰图像的特征提取和特征的索引机制,现有的基于内容的服饰图像检索方法存在许多问题,如服饰图像数据信息利用不充分、目标边缘信息处理粗糙、实现服饰数据索引时计算量过大等问题。如何在海量的服饰数据中高效且精确地实现服饰的检索是一直研究的课题。针对服饰检索中存在的服饰图像信息利用不充分、目标边缘信息处理粗糙以及计算量过大的问题,本文首先设计了基于双注意力机制指导Deeplab V3+的服饰图像检索算法,提高了对服饰图像相邻上下文信息的提取,改善了服饰边缘信息的处理,并在服饰索引机制适用当前提取的服饰特征向量的前提下,减少了服饰图像检索所需的时间。本文主要研究内容如下:1)针对服饰图像中对小目标分割性能差、特征信息提取不充分,目标边界粗糙的问题,提出了双注意力指导的Deeplab V3+模型作为服饰图像分割网络。该方法以Deeplab V3+网络为基础,使用特征金字塔替代空间金字塔,结合注意机制融合图像相邻尺度下的上下文信息,为服饰图像分割提供更多的空间注意力信息。为验证本章算法的效果,在Product Clothing Dataset和Daily Clothing Dataset两个图像数据集上对本章所建模型进行了训练和测试,并采用多个算法对不同服饰图像的F值进行比较。实验结果表明:与选取的其他两种算法相比,本章算法具有更好的分割效果。2)针对在海量的服饰图像数据集中如何在服饰索引机制适用当前提取的服饰全局特征向量的前提下,减少了服饰检索所需时间的问题,提出基于双注意力机制指导Deeplab V3+的哈希-倒排索引的服饰图像检索算法。该网络选取常用的适用于海量数据的倒排索引作为索引方式,但其不适用于Deeplab V3+网络提取的服饰全局特征向量。于是本文中以倒排表中的哈希倒排算法作为搜索算法,哈希倒排方法是在PKM算法中引入倒排的思想以构建大的视觉词典,使其适用于全局特征。同时针对Deeplab V3+网络提取的特征和视觉词之间存在量化误差量化的问题,提出利用嵌入码为提取的特征生成一个二进制特征。但其存在同一服饰图像重复比较的问题,因此提出利用哈希码替代嵌入码的方法来解决同一图片重复计算问题。为验证本章算法的效果,在Deep Fashion Dataset服饰图像数据集上对本章所建模型进行了实验,并对采用不同长度的哈希码对MPA进行比较,实验结果显示,相比于其他长度的哈希码的索引方法,哈希码长度为12的哈希倒排精度更高。同时,与原有的倒排索引进行检索时间和MPA值的对比,检索时间相对减少,而MPA值有了一定程度地提高。该方法改善了服饰图像数据检索的精度和速率。