随着互联网软硬件技术的不断进步,各种电子商务平台蓬勃发展,网络购物成为人们生活中不可或缺的一部分,而网络服装购物成为其中最热门的一个应用,因此如何有效的对网络服装图像进行检索至关重要。针对这一问题,跨场景服装图像检索应运而生,通过输入服装图像快速而准确地检索出所需产品,大大提高了用户的网购体验。跨场景服装检索受到了越来越多专家学者的关注,但目前仍存在很多问题,主要面临的问题包括如下几个方面:1)日常服装图像大多背景复杂,且存在姿态、光照等干扰因素,为后续工作引入了不必要的噪声;2)服装产品款式及种类繁杂,变化多样的材质、纹理、颜色等给检索带来了困难;3)服装图像属于底层特征,用户需求属于高层语义信息,两者之间存在巨大的语义鸿沟。针对目前跨场景服装检索存在的问题,提出了新的服装特征提取及检索方法,主要内容及创新点如下:1.对国内外主流的跨场景服装检索方法进行了全面调研,详细阐述了所涉及的相关技术,细致分析了已有方法以及相关技术的优点和不足之处。针对目前存在的问题,针对性的提出了相应的解决措施,进一步完善跨场景服装检索流程。2.在基于内容检索的基础上提出了一种新的四分支跨场景服装检索网络框架。通过Faster R-CNN分割出完整的服装图像,提取多层次特征,联合服装类别信息约束检索过程,提高检索精度。3.在多层次特征提取中,首次提出了隐藏在多场景数据中的有用信息不仅跟所有场景下的公共特征相关,而且跟不同场景下的特定特征相关的设想,并构建了多层次特征提取模型。该方法有效地提高了服装特征描述子的区分力。4.在多层次特征的基础上提出了基于类别约束的增强对比损失函数,通过附加的类别信息约束传统对比损失函数,防止过拟合。最后,通过与其它主流跨场景服装检索方法进行对比,验证了本文方法。