人物姿态迁移是将当前人物图像从原始姿态转换成为目标姿态的生成类任务,在视频压缩等领域有着重要的应用价值,同时在人物图像姿态编辑、动画制作、电影特效制作以及虚拟现实等领域有着广泛的应用前景。目前,人物姿态迁移网络通常以人体姿态关键点和人物图像作为输入,然后通过学习图像表面及姿态信息合成目标姿态的人物图像。人物姿态迁移网络一般使用生成对抗网络的方法进行实现,由生成器以及判别器组成。然而,传统人物姿态迁移网络在测试集中生成的图像清晰度及准确度明显差于训练集,人物细节保留度较差。这很大程度上是因为传统主干特征提取网络性能不佳,卷积神经网络判别器无法有效判别生成图像和标签图像造成的。为此,本文针对这两个问题展开进一步研究,以生成对抗网络为基础,提出了基于自注意力生成对抗人物姿态迁移模型,并在主干特征提取网络及判别器数据集和人物姿态迁移数据集上实验,在增强人物细节保留度的同时,提高网络的测试集生成图像清晰度及准确度。主要工作如下:（1）基于EfficientNetV2框架搭建主干特征提取网络。传统VGG、ResNet框架的主干特征提取网络缺乏通道注意力,在反向传播时使用ReLU激活函数会出现神经元死亡、不可导,导致特征提取精度不足。使用EfficientNetV2框架的主干特征提取网络,引入SiLU激活函数、SE网络、MBConv网络以及Fused-MBConv网络,充分发挥了通道注意力和SiLU激活函数的预测性能。通过实验验证,相较于ResNet50框架搭建的主干特征提取网络,准确率提升了1.3%,交叉熵损失降低了0.022,预测时间降低了6.0ms,提高了整体性能。（2）采用融合自注意力机制的卷积神经网络判别器。传统纯卷积神经网络框架搭建的判别器无法获取图像全局相关性,当参数量较少时通常缺乏足够的性能来判别真实样本和生成样本。而纯自注意力机制框架的判别器缺少卷积神经网络所特有的归纳偏置,需要超大型数据集进行预训练才能获得比较好的效果。通过搭建的主干特征提取网络对图像的有效语义信息进行提取,堆叠Transformer编码器对语义信息进行自注意力机制计算并由分类头得出判别结果。实验表明搭建的判别器测试准确率提高,较纯卷积神经网络判别器（EfficientNetV2-S）提升3%,较纯自注意力机制判别器（Vision Transformer）提升6.4%,同时预测时间明显缩短。（3）搭建融合自注意力的生成对抗网络姿态迁移模型。以生成对抗网络的方法为基础,人物姿态迁移作为任务,结合改进主干特征提取网络和改进判别器,搭建了基于自注意力生成对抗姿态迁移模型。将模型放入中型数据集进行预训练,大大减小了缺乏归纳偏置对模型的影响。实验结果表明相比没有融合自注意力机制的模型（PPAT）,SSIM指标提升了0.029,测试集生成图像质量有了明显提升。本文提出基于自注意力生成对抗网络的人物姿态迁移模型,通过分类任务实验验证其主干特征提取网络和判别器预测时间更短,性能更高,并通过人物姿态迁移任务实验验证测试集中生成图像清晰度和准确度更优,细节保留度增强,整体性能得到提高。