近年来,随着虚拟试衣、智慧交通等技术的不断发展,对人体图像数据的需求量也日益剧增,人体图像生成模型成为了重要研究课题。然而,面对背景复杂、图像分布不均匀、细节纹理要求高的情况下,如何生成图像清晰、各方面符合人类感知的真实人体图像仍然是一个具有挑战性的问题。相比于传统的生成模型,生成对抗网络已经在近几年被证实在图像生成等一些主流任务中,其生成能力、模型泛化能力等方面都更有优势。因此,为了提高人体图像生成的高效性,本文对当前人体图像生成模型进行研究并提出了新的解决方案,具体研究内容如下:针对成对的人体图像数据采集困难的问题,提出了基于Cycle GAN的生成模型。通过一组共享参数的镜像的生成器,在不使用成对数据集的情况下,利用将生成的图像重新映射回源域的方法约束生成器的生成效果。该模型通过双向循环的方法生成图像,降低了对数据集的要求。此外,为了进一步提升图像质量,在模型训练过程中加入外观一致性损失（Appearance consistency loss）,利用VGG19网络提取源图像和生成源图像的高层次特征,进一步从纹理细节和姿态结构方面提高生成器的生成质量。实验证明,该模型以无监督的方式提高了生成人体图像的质量。针对从源姿态转换到目标姿态存在非刚性形变复杂纠缠问题,传统卷积神经网络需要叠加多个卷积层以获得源姿态和目标姿态所有关节点之间的全局关系,该方法会降低模型的运行效率。为解决上述问题,本文提出了基于图卷积的姿态转换方法,通过构建一个交互空间,将源姿态和目标姿态的关节点分别映射到交互空间中,创建一个链接交互空间中所有关节点的全连通图,对该图进行全局关系推断。推理完成后,再将更新后的关节点重新映射回原始空间,获取更新后的姿态编码。实验证明,该方法有效提高了生成图像的结构一致性。针对人体图像生成纹理细节不清晰问题,本文提出了利用基于VGG网络的人体解析模型将源图像分解为不同的属性（如头发、上衣、裤子、鞋子）,再将分解后的属性输入外观纹理编码器中重建外观编码,通过重建的外观编码和更新后的姿态编码相结合,生成更为逼真的人体图像。本文采用交替更新的策略来促进姿态模块和外观模块之间的相互引导,逐步地生成高质量目标人体图像。为了证明提出模型的有效性,本文在Deep Fashion数据集和Market1501数据集上进行实验,并与其它先进的模型在定性和定量两方面进行了比较,结果表明本文提出的模型生成的人物图像细节更为细腻,更加真实,与目标姿态的差异也更小。