近年来随着深度学习技术的发展,基于图像的虚拟试衣技术获得越来越多的关注,并广泛应用于网络购物、游戏、动画等领域。基于薄板样条插值和蒙版合成的虚拟试衣方法,因为受限于模型的空间特征保留性能,在面对较大的服装形状变化时生成不规则的服装形变,而且无法处理自遮挡现象。针对这些问题,本文在研究分析国内外虚拟试衣技术和方法的基础上,围绕着如何实现较高质量的虚拟试衣,开展了以下工作:（1）针对服装变形模型容易产生不规则的服装变形的问题,在换装区域添加了感知损失。在服装变形模型中,将目标服装变形并对齐人体姿态。在对变形后的服装计算损失时,首先提取出人体图像中着装区域的掩码,然后用该掩码对变形后的服装和人体图像做掩码运算,得到换装区域的一组图像对,最后使用VGG19网络提取图像对的特征,在特征层面上进行损失计算。该损失函数的加入能一定程度上缓解服装的不规则形变问题,从而提高试衣效果。（2）针对试衣模块中,U-Net网络的空间特征保留性能较差,难以生成高质量的组成掩码从而导致自遮挡的问题,通过级联的注意力机制对U-Net做出改进,该注意力机制将通道与空间注意力结合,通道注意力对特征通道进行权重学习,空间注意力对各像素位置进行权重学习。对跳跃连接的特征图进行注意力计算,增强了网络的特征保留性能,缓解了试衣结果的自遮挡现象。（3）为进一步提高服装变形的效果,以及提高模型的自遮挡处理能力,改进了试衣模块框架。首先输入人体特征图和由服装变形模型得到的变形后的目标服装,然后通过改进的U-Net模型,输出换装区域掩码、人体图像和经过进一步调整的目标服装,最后由蒙版合成得到试衣结果。通过试衣模块的进一步调整,提高了服装变形的效果,并有效解决了自遮挡问题。本文在Zalando数据集上进行实验。通过和其它虚拟试衣的结果进行对比,本文设计的模型在计算量提高幅度不大的情况下,可以获得较好的服装区域的生成效果,并且很好地解决了自遮挡现象,提高了整体的试穿效果。