随着互联网和电商的快速发展,人们在海量服装图像中快速搜索服装的需求越来越大。目前比较主流的基于文本的服装搜索需要大量的人力,来对图像库中图像进行标注,而且用户搜索的关键词语义性太强,不能描述一些服装细节,造成检索的结果往往差强人意。因此,寻找一种能为用户准确的检索出服装图像的方法具有重大的意义,其中基于内容的服装图像搜索方法成为一个重要的研究方向。近年来,深度学习方法由于其优越的性能开始应用于图像检索领域。考虑到基于深度学习方法的服装图像检索中,图像特征在很大程度上决定了检索的正确率,所以本文主要研究基于深度学习的服装图像检索中图像特征的提取方法,完成了如下工作:提出了一种基于注意力区域特征表达的服装图像检索方法。本文通过一种基于注意力区域递归的多标签分类网络,将提取注意力区域与多标签分类结合,把提取的注意力区域特征作为检索的局部特征。在提取注意力区域时,本文通过损失函数对网络参数进行约束,保证网络提取的注意力区域大小适中,同时防止循环网络每次提取最显著的和重复的注意力区域。在服装图像多标签分类时,通过改进输入方式来解决类别不均衡问题,通过一种自适应的分类损失函数解决每个类别正负样本不均衡的问题。最后在多标签分类网络中引入度量学习网络,提出一种基于图像标签交并比的度量学习网络的输入样本构造方法。实验表明这种服装图像检索方法能有效提升服装图像检索正确率,特别是针对跨场景的服装检索,检索性能优越。然后,本文还提出一种基于属性空间特征表达的服装图像检索方法。首先针对服装图像的特点对服装进行检测,然后训练视觉语义联合嵌入空间模型,在该空间内对每一类属性进行建模,得到属性与图像位置的对应关系,通过对应关系可以计算属性在图像点上表达的可能性,得到属性表达概率图,然后对概率图二值化,将二值图像最大连通区域的外界矩形框,作为该属性对应的局部区域,将该区域映射到属性分类网络提取的特征图上,得到固定大小的局部特征,最后结合全局特征和局部特征对服装图像进行检索。实验表明该服装检索方法有效的提升了检索正确率。