近年来随着服装电商的蓬勃发展,网络上存在海量的服装图像,如何给网络服装图片进行更好的服装描述,即进行文本标注和分类,从而吸引客户的注意力并诱导他们购买,具有巨大的现实应用价值。目前深度神经网络在图像标注与分类任务中取得了良好效果,但非常依赖于大量标注数据和大量训练时间。如何降低对大量标注数据的依赖性成为服装图像标注和分类的一大挑战,本文由此提出两种方法:（1）提出融合强化学习和迁移对抗网络的图像标注方法FLTAN,充分利用强化学习和迁移学习分别在特征提取和数据扩充方面的优势,有效改善了服装数据集图片的标注信息不足问题,让标注信息更加丰富,并提升了标注的准确率。该方法在动态对抗域适应模型DAAN的基础上加入注意力机制与循环神经网络获取图像位置信息,再利用强化学习相关算法对图像显著位置依次判断所属类别并计算期望,将期望最大的类别作为最终图像分类,从而提升模型分类准确性。为了丰富了标注内容引入迁移学习提取特征并输入对抗模型中,在生成器部分对特征进行剪裁/标准化操作固定数据范围,加快梯度下降求解速度与标注的精度。实验对比中该方法相比其他模型,准确率都有一定提升,在Deep Fasion2数据集的实验中,彩色图片的准确率提升了4.2个百分点。（2）提出基于混合主动学习图像分类方法MAL,对FLTAN方法在模型的复杂度和效率上进行了进一步优化,特别是加入变分自编码的主动学习在精度和效率都有大幅度的提升。该方法混合了批量贝叶斯与变分对抗自编码的主动学习方法,有效提升了图像分类准确性,首先利用变分对抗自编码器VAE训练一个潜在空间与对抗网络来判别样本是否被标注,再利用批量贝叶斯算法选择一批未标注样本映射到潜在空间给判别器进行判断,从不确定性与多样性方面筛选出符合条件的样本将其送往专家处进行标注,被标注的样本作为图像分类的训练集,循环执行此步骤直到时间或者准确率达到预期后程序结束。此方法提升了训练速度,利用无标签样本提高了模型精度,并改善了VAE训练过程中对抗模型出现的最大最小博弈不稳定问题。实验表明在deep Fashion2数据集上标注40%的数据模型效率比最新的主动学习方法高出1.3%,对于采样批次为总数的5%时达到理想的效果,此模型在效率上只需16.75s完成一次采样,快于迁移学习（＞10min）的方法。