服装图像包含丰富的特征信息,以服装图像作为基础数据进行自动分类识别已经得到了较多的研究。然而,结合深度学习的服装风格的分类与评价的研究尚不多见。有鉴于此,本文以品牌服装为对象,探究其视觉风格的合理表征,并实现品牌服装基于深度学习的分类任务。品牌服装往往都具有自己特有的设计风格。例如,Chanel的服装简约又精致,低调又高雅;Dior的服装曲线优美,高贵华丽;Gucci的服装文艺复古,古典烂漫。以往研究多以诸如低调、高雅、文艺、复古、古典、等文字,对服装风格进行定义。在评价时,通常要求具有丰富经验的专业人士参与主观评价。为提高评价的客观性,本文提出了利用卷积神经网络对品牌服装图像进行自动特征提取、识别和分类的方法,即将服装风格特征转化为特征向量的形式。主要研究内容分为3部分,1)品牌服装数据集的构建;2)基于大样本数据集的品牌服装图像分类模型研究;3)基于少样本数据集的品牌服装图像分类模型研究。具体研究内容如下:1)本文建立了一个品牌服装风格图像数据集,该数据集中的所有图像均来自时尚网站VOGUE,该数据集包含了VOGUE网站时装秀场中的50类服装品牌的服装图像。其中,大样本图像分类方法用到的数据集包含50类不同品牌的服装图像,每一类600张,训练集、验证集、测试集按照8:1:1的比例随机抽取。而少样本学习中用到的数据集包含50类品牌的服装图像,每一类30张,随机抽取36类用作训练集,剩余14类用作支持集和查询集。2)采用ResNet-18、ResNet-34、ResNet-50、Efficient Net-B0、Efficient Net-B1、Efficient Net-B2、Efficient Net-B3模型来实现不同品牌服装视觉风格的分类任务,实验结果表明,卷积神经网络可以对不同品牌的服装进行识别与分类,且Efficient Net-B3模型的分类准确率最高,达到（0.9655）。验证了学习率、权重衰减系数、图像大小等参数对判别结果的影响,结果表明,学习率设置的过小,损失函数收敛过程较缓慢;学习率设置的过大,梯度会在最小值附近来回震荡,甚至无法收敛。权重衰减系数和图像大小对判别结果也有影响,要根据实验环境来选择最佳的参数。3)采用少样本学习的网络模型,Siamese网络模型、Protype网络模型、Meta baseline网络模型对品牌服装数据集进行测试。对比分析了用到的每一个网络模型的分类结果,验证了大样本分类模型在样本数据量小情况下的分类准确率和人类准确率。结果表明,在品牌服装图像数据较少的情况下,可以通过少样本学习方法对其进行分类,使用meta baseline网络在5-way,1-shot任务中的分类准确率高达（0.9475）,远高于人类的分类准确率（0.5680）。