服装图像风格迁移是把风格转换到服装内容图像中,并且保持服装原有结构和轮廓形状的不变,展示出迁移的风格元素（如纹理、颜色、亮度、材质、图案）。整个服装图像进行风格迁移一般会导致迁移后图像的纹理发生扭曲和形变、颜色变化、轮廓模糊,为了得到更加精细的服装纹理、清晰的服装轮廓以及提供个性化的服装风格定制,本文展开了一项具有重要研究意义和实际应用价值的研究:基于深度学习的局部服装图像风格迁移。论文中提出了三种创新性的算法,实现局部服装图像风格迁移,完成了如下研究工作:（1）针对复杂背景下服装图像局部区域风格迁移难以控制及迁移后容易产生边界伪影的问题,提出一种基于注意力机制的GycleGAN服装局部风格迁移方法。通过VGG16网络分别提取服装图像的内容特征与风格特征,将其输入基于注意力机制的CycleGAN生成器中,应用注意力机制在复杂背景下的各个服装区域分配概率分布信息,获得注意力分布更多的区域及相关度更高的区域,并采用改进的损失函数校正边界伪影,对该区域进行风格迁移得到所需的风格迁移服装图像。（2）局部服装风格迁移网络迭代速度慢,算法的网络结构较为复杂,限制了算法的运算速度;生成的服装风格迁移图像局部目标区域边缘信息弱化和模糊,影响局部服装图像风格迁移的质量。针对以上两个方面的问题,提出了一种基于卷积神经网络的快速服装局部风格迁移方法。将深度残差网络中残差元结构的标准卷积核转换为逐点卷积和深度可分离卷积,以及丢弃损失网络VGG16的最后3个全连接层和删除卷积层的第5层（Block5）,同时采用Kirsch边缘检测的方法提取服装图像局部目标区域的边缘信息,把提取的边缘信息融合到风格迁移之后的服装图像中。在减少网络参数的情况下,既提高了算法的运行效率,又保证了加速卷积后局部服装图像风格迁移的效果。（3）局部服装图像风格迁移时没有考虑服装的图案、纹理、材料、颜色等因素,导致生成的服装图像存在纹理不精细的局部伪影问题,由此提出了基于改进残差网络的服装图像局部伪影校正方法。模型在训练过程中,通过损失函数约束以及利用改进的ResNet50和判别器对生成器进行优化,然后将带有伪影的服装局部风格迁移图像输入到改进的生成器中,得到校正伪影后的服装局部风格迁移图像。本文希望通过基于深度学习的方法对局部服装图像进行风格迁移,提供个性化的服装定制,改善局部服装图像风格迁移的效果,提高局部服装图像风格迁移的速度,促进服装时尚行业的跨越性发展。