在医疗康复、人机交互和公共安全等领域,利用计算机技术理解人体局部图像具有重要意义。为此,一些人脸属性合成和编辑方法以及3D手势估计方法相继提出,并逐渐在相关领域得到广泛应用。现有的人脸属性合成和编辑方法虽能根据属性标签有效合成目标人脸图像,但合成的目标人脸图像质量依然有待提高。为解决此问题,本文提出了一种新颖的人脸属性合成和编辑多任务方法ARU-G AN。此外,为进一步研究人体手部图像,本文对ARU-GAN方法进行改进,提出了一种3D手势估计及手部深度图像合成方法HDR-GAN,具体研究内容如下:1、针对当前人脸属性合成和编辑方法难以根据指定属性标签合成高质量目标人脸图像的问题,本文提出了一种基于ARU-net的多任务方法ARU-GAN。该方法中的ARU-net在编-解码器结构的基础上引入跳跃连接有效融合输入人脸图像的不同层级特征,并在训练时使用对抗正则化项约束潜变量,在人脸属性合成和编辑任务中合成高质量的目标人脸图像。为进一步提升合成的目标人脸图像质量,ARU-GAN采用上述任务所合成的目标人脸图像对判别器进行联合训练。实验结果表明,ARU-GAN在人脸属性合成和编辑任务中能够根据指定属性标签合成高质量的目标人脸图像。2、通过在上述方法基础上进行改进,本文提出了一种3D手势估计及手部深度图像合成方法HDR-GAN,该方法的网络结构包括3D手势估计网络HPE-GA N和手部深度图像合成网络HDG-GAN两部分。其中,由编码器和判别器构成的HPE-GAN通过对抗训练对RGB图像中受遮挡的手部进行较准确的3D手势估计。同时,由解码器和判别器构成的HDG-GAN可通过同样的对抗训练方式将给定3D手势合成为相应的手部深度图像。最后,本文对3D手势估计和手部深度图像合成结果进行了定性和定量分析,并利用HDR-GAN初步实现了基于RGB图像的手部深度图像重建任务。