人们在浏览电商网站或购物软件上的服装产品时,往往会产生多样化的检索需求,如希望找到在某些服装属性上与查询图片相似的服装,以及希望改变查询图像某一服装属性而保持其它服装属性不变的需求,即服装属性操作,这些需求即为细粒度服装图像检索,当前的搜索引擎对这些需求还无法很好的满足。针对以上的检索需求,需要提取图像与服装特定属性准确相关的特征,深度学习的发展使得这一操作成为可能,本文基于深度学习理论深入研究了细粒度服装图像检索,其主要工作和创新点归纳如下:（1）根据两个真实服装数据集中的服装属性构建了一棵服装属性树,并基于属性树提出了一种用于服装属性表示的层级属性嵌入（HAE）方法。该方法能有效的纳入服装属性的层级关系,确保使用其作为服装属性的表示时,同一父节点属性下的两个子节点属性可以共享其父节点属性的特征。（2）提出一个基于层级属性嵌入的学习服装相似度的网络HAEN,该网络以服装图像和服装属性两种不同模态的服装数据为输入,学习多个特定属性的嵌入子空间,并在相应的子空间中度量细粒度的相似性,能够有效的支持给定属性的相似服装图像查询。网络中使用层级属性嵌入作为服装属性的表示,而对于图像特征,则是先通过Resnet50提取到服装图像的全局特征,随后将层级属性嵌入与提取到的全局特征输入到模型的注意力模块中,从而提取到与特定属性相关的图像特征,最后将属性相关的图像特征输入到嵌入分支模块（Embedding branch module）中,将其嵌入到与该属性对应的子空间中,并使用掩码模块选出与特定属性相关的特征维度,最后网络输出的向量用于计算服装图像间的相似度。（3）对于属性操作这一种更为复杂的服装图像检索任务,在HAEN的基础上基于特征替换提出了三种不同的解决方法,分别是基于服装属性均值特征向量的方法、基于服装属性重构特征向量的方法、均值特征向量与重构特征向量自适应结合的方法。其中均值特征向量采用总体代替个体的思想,由检索库中所有服装图像的特征计算均值得到;重构特征向量则是由本文提出的重构模块结合查询图像自身信息以及属性操作语义得到,最后是两种特征的结合使用,本文探索了这三种属性特征向量对于检索性能的影响。（4）在两个大型真实服装数据集中进行了大量的实验验证和评价,实验证明本文所提出的网络HAEN能有效的用于度量服装图像间的相似性,优于现有的最先进的方法。此外对于属性操作,本文提出的三种方法都优于基准模型,在属性操作服装图像检索任务上都有不错的性能表现。