随着淘宝,蘑菇街,唯品会等时尚购物平台的快速发展,虽然越来越多的服装产品可供用户选择,但是信息超载的问题也随之而来,用户想要挑选到合适的服装需要花费大量的时间和精力。现在,最广泛使用的个性化推荐算法是协同过滤(Collaborative Filtering,CF)算法,该算法虽然已经能够产生很不错的推荐效果,但是存在推荐精度不够,覆盖率低,不能充分挖掘用户潜在兴趣等问题,其次,基于用户的协同过滤忽略了服装产品本身的相关信息,例如服装的视觉特征,属性特征和服装产品之间的搭配兼容性等问题。针对以上问题,本文主要研究工作如下:(1)针对服装推荐方法存在推荐精度不够,用户潜在兴趣挖掘不够充分的问题,提出了一种改进的基于用户对服装属性偏好的个性化推荐算法。首先构建了深度卷积神经网络,对服装图像内容实现服装属性提取,在此基础上,根据提取出的服装属性构建用户属性向量,将基于用户属性偏好的相似度融合基于时间因子的用户兴趣偏好相似度构建最终的用户偏好模型。与基于用户的协同过滤算法UCF,和基于项目的协同过滤算法ICF以及文献[50]基于项目偏好的协同过滤UCSVD算法进行比较,UIACF算法的准确率最大能提高14%。(2)针对现有的协同过滤推荐算法大多是从用户的角度考虑细粒度的建模,而忽略了服装产品之间的搭配兼容性对用户购买决策的影响,提出了一种基于BPR融合用户偏好与服装搭配关系的服装联合个性化推荐算法。使用无监督的堆叠卷积自动编码器提取服装图像内容特征,将特征融入到服装产品搭配兼容性关系矩阵中,并且在用户服装矩阵中加入了时间因素,建立了基于用户—服装—时间的关系矩阵,然后将用户—服装—时间交互关系和服装产品之间的搭配关系同时作为推荐的辅助信息,构建用户—服装—时间—搭配关系矩阵,最后,使用贝叶斯个性化排序算法实现融合建模,实验表明,UTCBPR算法能够有效提高推荐的性能。(3)服装个性化定制与推荐系统。为了更有效精准的满足客户个性化需求,搭建了服装个性化定制与推荐系统,在系统中应用了本文提出的推荐算法,应用结果表明,在市、省、全国范围内进行服务,整体的销量趋势有所提升,新增用户累计增加21.16%,其中消费者和设计师增加了 3万左右。