近年来服饰适配研究受到了许多学者的关注,也是改进时装的设计和销售模式、提升用户体验的重要手段,成为时装业提高竞争力的必备策略。服饰适配决策过程是复杂的、不确定的,实现服饰适配的智能化是其重要的研究方向。本论文提出的“服饰智能适配系统”将智能与决策支持等理论相结合,应用智能计算等方法,研究服饰智能适配系统中的建模、适配知识自学习、个性化适配行为挖掘、实时适配试着和服饰智能适配系统的集成应用等问题,为服饰智能适配系统提供理论与方法。本论文研究的主要贡献和创新点如下：1、提出了服饰智能适配模型。将其归结为一类模糊多目标决策问题(Fuzzy MCDM),给出了服饰适配满意度指数(FCSI)实现对适配结果的评估。针对服饰适配不确定性和复杂性,提出了基于适配知识专家系统和模糊筛选方法的服饰智能适配模型。其创新之处在于：(1)利用适配知识专家系统获取专家的适配知识与经验,使其在单个属性评估上具备了服饰适配专家般的思维；(2)采用模糊筛选方法评估所有属性的整体效用,提出模糊蕴涵算子计算整体适配的FCSI指数,解决了FMCDM中模糊数运算和评价的难题。另外,给出了适配规则的表达与推理的方法,模糊语言评价集的设计以及服饰适配效用属性的识别方法。2、提出了基于改进Takagi-Sugeno模糊神经网络(TSFNN)的服饰适配知识自学习模型,解决了服饰智能适配模型中模糊权重确定难和适配知识无法自适应等问题。研究了TSFNN模型设计与训练中“规则爆炸”和参数学习难两方面问题,提出了用于规则约简的模糊聚类(Fuzzy Clustering)算法和提高TSFNN参数学习效率的PSO与GA混合算法,给出了一类改进TSFNN模型结构。在此基础上,将基于知识的属性评估专家系统和改进TSFNN相结合,设计并开发了服饰智能适配决策支持工具,取得了满意的效果。3、提出了基于Bayesian信念网络(BBNs)的服饰适配行为挖掘模型,实现了对用户服饰适配行为上的偏好信息与适配流行趋势的捕捉。针对BBN结构建模问题,提出了一类边编码GA (EGA)算法用于寻找最优的BBN结构,给出了可集成领域专家知识缩小搜索空间的方法,解决了BBN在高维数据空间和大规模数据集下结构学习的难题。EGA算法的创新之处在于：编码紧凑使染色体长度缩短,采用边空间屏蔽集成专家知识,定义修正算子确保染色体为有向无环图。4、提出了一种基于二维图像的体型特征点识别和图像卷绕(Image Warping)算法的服饰实时适配试着模型,实现了基于真人二维图像的实时适配试着效果展示。给出了基于二维图像的人体体型特征点定义,研究了利用图像处理技术实现二维图像中体型特征点自动识别的算法。给出了图像卷绕算法的数学模型,提出了基于二维图像的实时适配试着算法。实验结果表明,本文方法响应速度快,真实感强,操作简单。5、提出了集服饰智能适配模型、适配知识自学习、适配行为挖掘及服饰实时适配试着于一体的服饰智能适配系统的集成与应用,给出了服饰智能适配系统总体架构及其应用领域。引入RFID技术实现服饰与用户身份的智能识别,提出了一类应用于时装零售业的服饰智能适配集成应用系统的体系结构。给出了基于RFID的用户和服饰智能识别方法,面向服务的中间件模型结构和基于C/S结构的远程数据访问模型等关键技术。开发并实现了服饰智能适配系统的应用平台,给出了其实际应用结果。