随着计算机技术的蓬勃发展,以深度学习为主导的人工智能技术越来越贴近人们的生活。人工智能技术不仅在传统的安防领域,人脸识别领域发挥着巨大作用,也逐渐开始进入多媒体社交领域。其中姿态迁移是热门方向之一,受到大量研究人员的关注。姿态迁移任务的主要目标是给定初始姿态图像和目标姿态关键点信息,利用生成对抗网络生成目标姿态对应的人图像,要求生成的图像在人的姿态动作上与目标姿态对应,纹理信息上与初始姿态图像纹理信息保持一致。近些年,随着深度学习技术的不断进步,姿态迁移的生成效果也在不断改进,但最终的生成效果依然差强人意,特别在目标姿态以及纹理生成上都有很大的改进空间。针对姿态迁移中的挑战和问题,本文的主要研究点如下:（1）针对现有的姿态迁移算法存在生成图像的姿态动作与目标姿态信息不符的,以及生成图像纹理信息较模糊的问题,本文提出一种新型的基于多尺度语义迁移网络的姿态迁移算法。该算法通过融合低纬度的空间特征信息与高维度的语义特征信息生成更高质量的目标姿态图像,其包括两个核心的模块:基于Encode-Decode网络的目标语义掩膜生成模块,通过目标关键点信息生成目标姿态语义解析掩膜,来增强姿态上的相似性;基于多尺度语义迁移的姿态迁移模块,通过提取初始姿态图像,生成的目标语义解析掩膜,初始姿态信息,目标姿态信息在不同尺度上的特征,并在不同尺度上分别进行姿态迁移,最后通过上采样金字塔融合不同尺度特征,提高生成目标图像在姿态动作及纹理上的相似性。此外,为了提高生成图像的纹理多样性,在损失函数中增加了感知损失,提高高频特征的生成。在数据集上的实验证明,基于多尺度语义迁移网络的姿态迁移算法能生成与目标图像在姿态动作及纹理上更加相似的图像。（2）图像在通过卷积下采样后再通过反卷积上采样后,会失去如衣服上的图案等复杂纹理特征。针对生成图像失去初始图像复杂纹理图案的问题,本文提出了一种新型的基于近邻纹理迁移的人图像生成算法,来提高生成图像的与初始姿态图像纹理上的相似性。算法通过稠密姿态估计算法将初始图像纹理信息按身体部位映射到UVMap中,再生成目标姿态图像后,将提取的身体部位的纹理信息再重新映射到生成的姿态图像中。在数据集上的实验证明,基于近邻纹理迁移的姿态迁移算法生成的图像对于初始姿态图像中的复杂纹理信息有更好地保留。（3）针对目前深度学习框架模型部署不便问题,本文设计并实现了姿态迁移系统。系统由推理界面模块,推理服务模块与服务调度模块组成。其中推理界面模块负责用户登录及上传保存数据等功能;推理服务模块负责接收数据进行推理等功能;服务调度模块负责接受推理界面模块的任务消息,根据消息内容对无推理任务的推理服务应用下线处理并释放占有的计算资源,对未上线的推理服务应用调度上线,将消息转发给相应的推理服务应用进行处理。通过功能测试及性能测试证明,该系统能较为方便地部署训练好的姿态迁移任务等模型,并在有限资源下部署多个模型。