近几年在线购物发展迅猛,已经成为人们生活中密不可分的一部分,而服装是其中最重要的类别之一。传统的检索方法主要通过匹配用户输入的关键词与商品库中物品的名称进行检索,关键词的检索粒度比较粗,而很多时候用户需要寻找一件特定花纹的衣服或者某件电视剧里明星穿的同款衣服。这些需求催生了基于内容的服装检索算法的研究,即用户通过输入所想购买服装的图像进行检索,这能大大提高了在线购物的便利性。本文核心要解决的问题是:如何基于用户拍摄的服装照片去检索在线购物网站上类似甚至同款的服装,我们将其建模为一个跨域服装检索问题。通常来说,用户拍摄的照片由于不受任何限制,人物姿势各异、角度、光照等差异大,相反在线购物网站上的服装照片由专业人士拍摄,背景干净、光线充足、模特姿势相对固定。如何最小化上述差异,提高两组服装的匹配准确度,是跨域服装检索面临的挑战。具体来说,本文重点研究了跨域服装检索准确度的提升和面向大规模图像检索时速度的提升这两大问题。针对准确度的提升,本文先介绍了基于深度卷积神经网络的度量学习模型,即Triplet网络模型。接着介绍了基于深度卷积神经网络的度量学习模型中现存的两种策略,即两域共享参数和两域不共享参数。考虑到参数共享模型无法很好地体现两域的差异性,参数不共享模型的参数会使参数翻倍、降低模型泛化性的问题,基于深度卷积神经网络低层神经元学习到的是基础性特征,诸如边和颜色等,高层神经元学习到的是语义特征的特性,本文提出了参数部分共享模型。在真实服装检索数据集上的实验结果证明,参数部分共享策略检索准确率最高或与最高相当。针对检索速度的提升,本文介绍了搭建服装检索系统原型的全过程。该系统将深度哈希与参数部分共享深度卷积神经网络跨域服装检索模型相结合,使得学习出来的特征哈希为0或者1,在大幅度降低图像特征存储的同时,大幅度提高检索速度。该系统原型可以通过网址:http://202.120.39.165:9999/retrieval访问。本文的深度哈希检索模型的关键点在于Triplet网络结构模型和目标函数,该目标函数包括三个损失函数,即Triplet损失函数、哈希误差损失函数和特征向量信息熵的损失函数。优化Triplet损失可以让深度哈希检索模型中的特征网络能够学习到适用于检索的特征;优化哈希误差损失使得深度哈希检索模型中的特征网络输出的特征向量的值尽可能接近0或者1;最大化特征向量信息熵的目的是确保哈希后的哈希码具有最大的熵,以携带最多的信息。