近些年来随着深度学习的发展,基于图像的虚拟试衣技术获得越来越多的关注。目前利用深度学习算法实现虚拟试衣的技术主要有两个,一是基于CAGAN的,但是该网络生成的图像质量不理想,并且无法处理较大的空间变形,二是基于VITON的,但是在试衣前后的图像存在较严重的颜色失真、面对自我遮挡时生成效果不理想以及变形网络存在一些缺陷等。因此,本文对深度学习算法应用在虚拟试衣中出现的这些问题进行了研究和解决,本文的主要贡献如下:（1）提出了新的衣服扭曲变形模块。该模块的输入为衣服和人体姿态图,输出为产生扭曲变形后的衣服。为了进一步提升网络的扭曲变形效果,本文舍弃了原先提取整个人体的姿态作为输入的方法,仅提取需要替换衣服区域的姿态,这样可以减少无关姿态对扭曲变形的影响,同时添加了掩模损失来使得扭曲变形后的衣服形状更加准确。最后为了保证扭曲后的衣服能够尽可能多的保留原来衣服的纹理特征,本文在两阶段训练的基础上对模块的回归网络部分的控制点进行了距离约束。在VITON、MPV等数据集上的大量实验结果验证了新的模块能够产生更好的变形效果。（2）提出了一种基于改进CAGAN的虚拟试衣方法。原始CAGAN网络的主体是一个类似于U-Net的生成器,但是网络结构相对简单。因此,本文在CAGAN的基础上提出了分阶段生成的多尺度生成器网络结构。整个模型分为多个网络,首先,第一个网络用来生成粗糙的试衣结果,其次,第二个网络用来处理第一个网络生成的初步掩模不准确以及处理自我遮挡的情况,最后,将经过新的扭曲变形模块后的衣服与前两步的结果进行融合得到最终的试衣结果。在VITON等数据集上的大量实验结果验证了该方法能够有效地解决之前方法出现的问题并取得了较好的试衣效果。（3）提出了一种基于姿态引导的虚拟试衣方法。先前的方法主要集中在固定的姿态上,不能完成在任意姿态和服装下合成人物图像的任务。因此,为了进一步提升试衣效果,本文在VITON的基础上提出了多阶段虚拟试衣网络结构并在网络中引入了对抗性损失,首先将原始人物图像与目标姿态作为输入,经过姿态分割网络得到具有目标姿态的人物分割图,其次利用姿态变换网络将人物进行姿态变换得到粗糙的试衣结果,最后将经过新的扭曲变形模块后的衣服与粗糙试衣结果进一步的细化渲染,学习扭曲变形的衣服和粗糙结果之间的掩模,恢复纹理细节和删除一些伪影并得到最终的试衣结果。在MPV等数据集上的大量实验结果验证了该方法能够取得非常好的试衣效果。