传统民族服饰是人类劳动文明的智慧结晶和艺术之美,蕴藏着中华民族悠久的文化底蕴和历史积淀,而利用深度学习技术实现对服饰纹样图像的语义理解有助于传统服饰的传承、发展与创新。本文以传统民族服饰纹样图像作为研究对象,从服饰纹样图像的显性信息(本体)和深层次语义信息(隐义)两个层面进行分析,并从两种不同角度构建图像双层多标签标注模型实现对纹样图像的语义解读,同时根据需求设计并实现了服饰纹样图像语义理解系统。本文的主要工作包括:(1)构建传统民族服饰纹样图像数据集。首先设计服饰数字化采集元数据标准,然后利用扫描仪对书籍进行数字化采集,其次从本体和隐义两个层面对图像进行标签化处理,最后将数据集按照8:2的比例划分为训练集和测试集,为后续实验的开展奠定坚实的数据基础。(2)构建基于融合学习的图像双层多标签标注模型。将传统民族服饰纹样图像的本体信息和隐义信息之间视为递进关系,即利用卷积神经网络的中间层提取服饰纹样图像的本体层特征,高层提取服饰纹样图像的隐义层特征,同时考虑到本体信息与隐义信息之间存在依赖关系,提出了一种基于融合学习的图像双层多标签标注模型FL-DMAM,在传统服饰纹样图像数据集上本体标注和隐义标注的mAP分别为0.88和0.82。另外,与FL-DMAM模型的变体结构进行实验比较,充分证明本文FL-DMAM模型的优点。(3)构建基于多任务学习的图像双层多标签标注模型。将传统民族服饰纹样图像的本体信息和隐义信息之间视为并列关系,即将本体标注和隐义标注看作是两个相互关联的任务,以ResNeXt-50作为共享特征的主干网络,然后利用注意力机制分别为每个任务构建一个分支结构,提出了一种基于多任务学习的图像双层多标签标注模型MTL-DMAM,而加入ELASTIC结构可以进一步提高模型的性能。在传统服饰纹样图像数据集上进行实验比较,模型MTL-DMAM优于其他同类模型。(4)基于上述两种图像语义理解模型,面向系统业务需求和用户实际需求,设计并实现了传统服饰纹样图像语义理解系统,支持注册或登录、纹样图像语义理解、个人信息管理等实用功能,服务于用户自主完成对服饰纹样图像语义理解的平台。