虚拟试穿的目的是转移目标服饰图像到参考人图像上,是最近几年的热门话题。现有技术通常侧重于在生成图像上保留服饰图像的原有特征。但当参考人图像中出现大量遮挡以及复杂姿势时,生成清晰合理的试穿图像仍然是一个挑战。本文采用渐进式的生成逻辑,先生成预测语义分割图,再由预测语义分割图结合原参考人和服饰自适应地保留非目标区域,并生成目标区域的信息,完成试穿图像的构建。此外,本文采用小数据集小尺寸图像进行训练,并同样基于生成对抗网络训练超分辨率模型,以对生成的试穿图像进行分辨率的优化。本文主要工作如下:（1）提出了基于图像的自适应生成虚拟换装网络（An Image-based Virtual Try-on Network by Adaptively Generating,VTNAG）。针对生成语义分割图中的手臂断裂问题,采用独特的修复模块将其修复。对网络中生成器的结构做出调整,使图像融合时更加灵活。在服饰变形模块上采用薄板样条变形,辅以网格弹性约束,有效地改善夸张形变的情况,生成图像的服饰纹理细节清晰。虚拟换装的效果在定性和定量上超过现存的最新模型。（2）提出了U-Net鉴别器的二阶退化超分辨率网络（Second-Order Degenerate Super-Resolution Network with U-Net Discriminator,SODSR）。本文将采用二阶退化模型来合成训练用的图像对,在合成图像对集时加入振铃伪影和超调伪影,使得网络能够自主学习到真实世界中图像退化的规律。本文采用RRDB结构生成器和独特的U-Net鉴别器来学习图像对间的映射规律。此外,本文在U-Net鉴别器上加入了谱归一化层,有效的缓解了收敛问题。超分变率的效果在定性和定量上超过现存的最新模型。