图像编辑和转换是近年来计算机视觉领域中的热门研究方向。本文所讨论的服饰图像属性修改算法是图像编辑和转换方法在特定领域（服饰的产品图和着装图）的应用。近年来深度学习算法和生成对抗网络得到了快速发展,越来越多的图像编辑任务都开始利用生成对抗网络（GAN）完成。在生成对抗网络中,生成器接收要编辑的原图像以及图像编辑用到的条件信息作为输入,根据条件信息的指导完成对原图像提取特征再上采样得到编辑后图像的过程。在与属性修改相关的图像编辑工作中,很多研究都聚焦于人脸图像中的属性修改,相比之下却少有针对服饰图像属性修改的工作。对比人脸图像,服饰图像属性修改具有更高的难度,这主要是由于服饰属性定义复杂,包含颜色、纹理这种覆盖全局的属性。本文提出一种根据服饰图像视觉属性在空间上的特点选择合理的特征提取和表达方式进行属性修改的算法。首先将视觉属性分为全局属性和局部属性,其中颜色被划分为全局属性,结构相关的领口、袖子则划分为局部属性。根据全局属性低信息量和空间重复的特点设计了全局属性编码器,根据局部属性结构相关的特点设计了内容编码器,分别用于提取相应的特征编码。解码器对内容编码进行上采样操作得到特征图,在上采样的过程中利用Ada IN将全局属性的特征编码作用在特征图的所有空间位置上最终得到属性修改后的图像。通过将内容编码按照通道划分并与特定的局部属性对应,实现了灵活的视觉属性迁移效果。最终我们得到一个可以端到端训练的服饰图像属性迁移模型Fashion Attribute Transfer Generative Adversarial Networks,（FATGAN）。我们在两个公开的服饰图像数据集Deep Fashion和Shopping100k上将本文提出的模型与近年来其它知名的图像修改模型:AMGAN、ELEGANT、Star GANv2进行了对比。实验结果显示本文提出的FATGAN能够生成更加真实的图像,并且在多个属性的修改任务上优于对比算法。