人体姿态迁移是指使目标图像中的人做出源图像中一个人相同的动作,并合成目标人物在该姿态下的图像,在动画生成、游戏设计、图像数据合成等方面具有广阔的应用前景。由于没有新姿态下的纹理,传统的方法很难得到合理的结果。深度学习方法能较好地解决这个问题,但还是需要获取尽可能多的各个姿态和角度下的目标人体图像,即便如此,所合成的结果还是难以捕获目标人体的细节特征。本文提出部位可感知的人体姿态迁移方法,简称为BPA-GAN（Body-Part-Aware Generative Adversarial Networks）。BPA-GAN由两个模块组成:一是人体部位生成模块,负责生成人体各部位的纹理;二是融合模块,负责将生成的人体各部位纹理与背景组装成完整的新姿态图像。网络以人体部位姿态图作为输入。所以在预处理阶段,我们的方法首先利用人体参数化模型SMPL-X拟合出三维人体,然后将人体渲染到图像上,将图像中的人物分割为16个人体部位,并对各部位进行重布局,得到头部以及身体姿态图。本文的创新点有:（1）采用部位标签化的人体参数化模型渲染图作为姿态图。相较于二维骨架,三维人体模型在体型上更贴合人体,易于处理自遮挡情况,同时能将体型和姿态解耦,方便姿态与体型对齐。部位标签化增加了姿态图的语义信息,也方便后续的人体分割操作;（2）加入了帧间约束,改进了从视频中拟合的人体参数化模型序列的平滑性;（3）将人体与背景分离,并将人体按部位分割和重布局。最大程度上保持了原数据的信息。同时能将背景与不同部位分别生成,也便于在训练时对不同身体部位采用不同的数据增广操作,增加数据多样性;（4）针对两阶段任务,提出了人体部位可感知的姿态迁移生成对抗网络:BPA-GAN,其包含多个模块、多个生成器判别器,整个网络框架中每一模块的目标更加简单和精细,且加入了对不同人体部位的额外监督,进一步提升结果。迁移结果的定性与定量评估表明,相比已有的方法,本文方法用较少的训练数据（约400张图像）就能生成高质量的姿态迁移结果,在目标人物个人体征的保持、细节区域的生成均展现出一定优势。