随着人工智能和网络购物的快速发展,越来越多的人喜爱线上购物,其中服装购买占据线上购物的很大部分。但是服装种类繁多,数量巨大,所以面对海量的服装图像数据,如何快速准确有效地搭配出用户所需要服装商品是一个亟待解决的问题。针对这一问题,服装搭配应运而生。服装搭配的目标是根据用户所选择的服装自动搭配出满足用户需求的服装。大部分现有的服装搭配系统依赖于用户的交互输入,然后提取服装的颜色、纹理、材料等特征进行搭配。因为现有的服装搭配系统一方面不满足用户对时尚服装的认知需求,另一方面服装搭配反馈时间过长。针对以上问题,本文将对如何智能、快速地进行服装搭配展开研究。本文的主要内容如下:1.本文扩展了一个满足时尚度要求的服装数据集FClothes。FClothes服装数据集构建于2016年,由于服装的时尚不断在改变,本文在2017年对构建的数据集进行了扩建。在原来构建服装数据集的基础上,剔除了1000幅过时的图像,并新加入了5600幅年度时尚图像。2.图像中服装部位的检测和分割是服装搭配技术中一个重要的预处理过程。本文在服装搭配中运用Faster R-CNN技术进行服装区域的检测,并运用FCN技术对检测结果进行分割,消除了复杂背景对服装搭配的影响。3.为了解决服装搭配反馈时间过长问题,本文将Siamese CNN与哈希编码相结合,提出了一个新的快速实施风格学习的双路网络。通过本文的网络提取服装图像的哈希特征和深度特征,利用哈希特征进行服装初搭配,再利用深度特征对服装进行再搭配。4.消除跨域问题是服装搭配的关键所在。本文采用查询扩展（Query Extension,QE）技术消除了服装搭配的跨域问题。最后,通过和其它服装搭配方法进行对比实验,验证了本文提出方法的优越性。