人体动作迁移在人物动作复现、虚拟试装、角色动画、电影及游戏制作等领域有着巨大的应用价值和潜力。当前的动作迁移模型主要是运用深度学习的方法来实现的,需要应用人体姿态估计模型进行姿态检测,应用生成式对抗网络进行图像合成。通过对现有研究的分析和总结,我们发现这些动作迁移模型主要存在两点问题:首先,在对源人物和目标人物进行姿态检测阶段,现有的人体姿态估计模型普遍存在模型参数量和计算量大、冗余度高、检测耗时长等不足,影响动作迁移整个流程的效率;其次,基于传统的生成对抗网络实现的动作迁移图像质量不佳,导致生成的图像画面不够真实、人物变形、目标人物的合成动作与源人物动作不能很好的匹配,影响最终的迁移效果。为了在姿态检测阶段实现准确且快速的人体关键点检测,本文结合Open Pose检测模型和Mobile Net V3轻量级网络,提出一种基于轻量级注意力机制的人体姿态估计算法MV3-CBAM-Open Pose。首先使用轻量级网络Mobile Net V3替代原Open Pose的主干网络VGG-19;其次对Open Pose的二分支多阶段卷积神经网络结构进行修改,合并了除输出阶段以外的其他网络层数;最后引入了空间和通道相结合的注意力机制模块CBAM对模型的速度和精度进行权衡。实验结果表明,轻量级网络和注意力机制的结合,能够在保持较高的检测精度和召回率的基础上有效缩减模型的规模,提升模型的检测速度。为了生成质量更高的动作迁移图像,我们充分研究了生成对抗网络衍生模型pix2pix HD,并提出一种改进的pix2pix HD,分别对pix2pix HD的生成器、判别器网络结构进行了改进,对损失函数进行了优化。在生成器网络中使用编码器与解码器架构,通过在编解码器之间实现跳跃连接,能够有效地融合网络中的深层和浅层特征信息;在判别器网络中使用4 4卷积核取代3 3卷积核,原因是偶数卷积核结合设置为2的步长可以避免棋盘效应;在pix2pix HD的损失函数基础上引入标准差匹配损失用于稳定GAN模型的训练。通过实验验证,改进后的pix2pix HD生成的图像质量更好。结合所提出的人体姿态估计算法MV3-CBAM-Open Pose和改进的pix2pix HD,提出一种新的动作迁移模型。本文综合对比了EDN（Everybody Dance Now）、NKN（Neural Kinematic Networks）、LCM（Learning Character-Agnostic Motion）三种动作迁移模型,通过从视觉效果和定量化指标评价结果来看,本文提出的动作迁移模型效果更佳。