1.一种基于辅助信息的多特征增强深度学习衣物分类方法，其特征在于：包括下列步骤：确定需分类衣物和用户信息，获取各个类别的衣物图像若干张，对应标记衣物种类，并对应设定用户信息形成训练集；

基于卷积神经网络构建Mu‑Cloth Net模型；

训练Mu‑Cloth Net模型，保存最优权重,确定Mu‑Cloth Net模型；

将实际的衣物图像和用户信息输入Mu‑Cloth Net模型，对衣物进行分类；

辅助信息包括与衣物对应的用户性别、用户年纪、当前季节三个信息，利用衣物与用户、当前季节之间的关联性缩小范围，提取出辅助信息后将上述三个信息的数值转化为3*

224*224的图像信息矩阵，所述图像信息矩阵与衣物图像对应，在Mu‑Cloth Net模型分别对输入的图像信息矩阵与衣物图像进行卷积，对每层卷积输出结果进行融合，融合信息从高阶往低阶进行卷积，构建全连接层，对于不同类别设置不同最终输出层大小，达到对六类衣物进行分类；

Mu‑Cloth Net模型中，分别对两个信息进行卷积，提取出不同尺度的特征，在最高阶融合，对每层卷积输出结果进行融合，融合信息从高阶往低阶进行卷积。

2.根据权利要求1所述的一种基于辅助信息的多特征增强深度学习衣物分类方法，其特征在于：对于训练集，在输入前按照衣物种类顺序标记为0‑n的若干编号，同时按衣物种类将每张图像绝对路径与相应编号一一对应；设定辅助信息时，对用户性别将男性标记为

0，女性标记为1；对用户年纪则归一化标记为0 1，对当前季节从春天、夏天、秋天和冬天分~别标记为0，1，2，3，由此构建好训练与测试数据集。

3. 根据权利要求1所述的一种基于辅助信息的多特征增强深度学习衣物分类方法，其特征在于：Mu‑Cloth Net模型中，共5层卷积层，卷积核大小为3，利用卷积层提取不同特征的图像信息，隐藏层分别设置为128、256和512，1024，2048，五层卷积层输出结果分别为

128*112*112、256*256*256、512*28*28、1024*14*14和2048*7*7；针对两种图像的每层卷积输出结果进行融合，从高阶往低阶进行卷积，输出结果分别为4096*7*7，2048*28*28，1024*

56*56，512*112*112，256*224*224。

4.根据权利要求3所述的一种基于辅助信息的多特征增强深度学习衣物分类方法，其特征在于：在卷积层后构建两层不同输出的全连接层，第一层输出128；第二层输出为6。

5.根据权利要求1所述的一种基于辅助信息的多特征增强深度学习衣物分类方法，其特征在于：每层神经网络之间添加激活函数ReLU和Dropout防止过拟合和加速拟。

6. 根据权利要求1所述的一种基于辅助信息的多特征增强深度学习衣物分类方法，其特征在于：将训练集中的对应有辅助信息的图像数据打乱后输入Mu‑Cloth Net模型进行训练，优化器为“Adam”，损失函数为“MAE”，通过优化器与损失函数得到优化后权重，将训练后的模型保存。