国内电商高速发展,淘宝、京东、拼多多等平台已逐渐取代了实体店铺,尤其随着新冠疫情的爆发,线上平台已成为人们购物的不二选择。随着购物需求的日益增多,如何将商品自动准确分类从而进一步精准推荐已成电商平台亟待解决的问题。服装相较于其他商品更具多样性,背景复杂、姿态各异、形变、视角、遮挡等因素都影响着其定位和分类的准确性,使服装分类任务成为一件具有挑战的任务。本文针对服装类别和服装风格分类问题展开研究,基于YOLOv4模型,提出了改进的服装分类模型CC-YOLO（Clothing Classification YOLO）,同时设计实现了一个服装分类应用平台。本文的主要工作包括:（1）针对当前缺乏包含服装类别和服装风格两级标签数据集的问题,本文构建了一个服装分类数据集Clothing DS。该数据集从现有的服装数据集中,根据预先参考电商购物平台选定的风格标签进行数据提取,通过label Img软件进行服装类别标注,经过数据预处理和数据增强,得到8种服装类别、14种服装风格,总计5万张图片,包含不同姿态、不同角度、不同颜色、不同光线,遮挡、重叠的图像。（2）针对服装图像检测问题,提出了一个新的服装分类模型CC-YOLO。该模型以YOLOv4为基线模型进行了改进。为了提高预测框在服装数据集上的交并比,通过手肘法和K-Means++对服装数据集进行聚类分析,获得新的锚框;为了提高大目标的检测性能,在主干网络后加入全局注意力模块,增强特征提取网络,使模型更关注全局信息,抑制噪声对模型的影响;为了获得更鲁棒的特征,对多尺度特征融合阶段进行优化,使模型在融合更多尺度特征的同时考虑了不同尺度特征对输出特征的贡献;为了进一步提升模型泛化能力,对模型的多个中间权重使用随机权重平均集成方法。针对服装类别和风格多属性分类问题,提出了一个多标签检测判定方法。（3）设计并实现了一个服装分类应用平台。该平台集成本文提出的CC-YOLO模型,实现了服装图片的定位与分类,并提供服装图片的批量标注功能。本文使用CC-YOLO模型与基线模型在服装数据集上进行了对比实验。实验结果表明,CC-YOLO模型在保证速度的同时,检测精度提升了1.74%;使用SWA集成方法得出的模型,检测精度又提升了0.14%。