服装属性研究包括在一张指定图片上识别衣服的款式、检测服装部件以及检索相似服装等内容。由于传统手工特征提取算法的局限性,公开测试的数据库样本少等问题,服装属性研究在实际应用中的效果面临着巨大的挑战。因此本文提出了基于深度卷积神经网络模型在服装属性方面的研究及应用,具体工作总结如下：基于服装款式的分类检索任务中提出了基于深度卷积神经网络的分类检索模型。首先本文建立十万数量级的B_Dat Clothing的不同衣服款式的图像数据库,通过训练深度卷积神经网络模型,并对数据库测试集验证。提取所有服装数据的卷积特征,利用迭代量化的方法构建哈希索引。实验表明,提出的基于深度卷神经网络的分类方法、卷积特征构建哈希索引的检索方式,在构建的服装数据库上具有分类准、检索快、效果好等特点。基于服装部件的检测模型主要采用区域卷积神经网络的基本思想,采用快速区域卷积神经网络(fast-rcnn)与更快区域卷积神经网络(faster-rcnn)的基本框架应用在服装部件与人体部件的检测。行人街景照片待检测的任务细分为包、腰带、人脸等12个类别,在fast-rcnn与faster-rcnn基本框架下,调整了模型全连接层参数。实验结果表明,两者在识别精度上相近,速度上faster-rcnn已经基本能达到了检测的实时性。能从复杂背景的图片中定位服装位置,去除复杂背景,有助于提高服装款式的分类结果。基于服装属性的系统应用主要包括服装分类检索的PC机客户端、服装部件实时检测、网页版服装检索。PC机客户端的系统实现了用户上传衣服图片后对其进行属性检测、离线检索、在线检索等功能。服装部件实时检测系统帮助用户实时检测服装部件、形体部件。网页版服装检索系统通过本地上传图片或者网络图片地址实现快速检索相似图片。实验结果表明,设计的基于服装属性的系统应用均取得不错的实验效果。本文针对传统手工特征算法在服装属性分类检索方面的缺陷,采用基于深度卷积神经网络的基本框架。实验结果表明,卷积特征结合哈希索引,能够快速准确分类与检索相似图片,对服装部件目标检测在速度与精度上均取得不错的效果,并且在设计的系统软件上取得不错的实验效果。