在现代生活中,随着服装电子商务的蓬勃发展和大数据的喷井式爆发,越来越多的线下服装商家开始使用电子商务销售服装,商家通过在电子商务平台上展示服装图片来吸引用户。但是用户在网购时常遇到这样的问题:这件衣服穿在自己身上会是什么样?因此虚拟试衣技术可以帮助用户挑选心仪的服装商品。如何借助海量的服装图片数据和先进的算法来实现虚拟试衣,以提升用户的购买欲和购物体验,是服装电商平台之间重要的竞争手段。本文对虚拟试衣进行研究,将具有特征保留的生成对抗网络模型应用到任意换装系统上。主要完成的工作如下:1.提出一个新的数据集,该数据集包含成对的上衣、下衣和全身装的服装图片和模特图片。相较于原来的Benchmark数据集,新数据集还囊括了下衣和全身装类别的图片,并且包含女性和男性模特图片,因此更加多样化;并且新数据包含的模特人物形状和动作更加复杂,因此更加复杂化。2.提出基于深度卷积网络的肢体预测模型,该网络利用U-Net网络结构和特征相关性计算,粗粒度预测换衣后人体暴露的肢体皮肤,并将预测结果传入后续的模型组。其中U-Net网络可以保留人体相关信息,特征相关性计算可以结合服装和人体信息。该模型解决了在不同类别服装换衣情况下肢体预测问题（例如长袖（?）短袖,长裤（?）短裤等）。3.提出基于Wendland的服装图像扭曲模型,用以实现图片的局部弹性变换,能降低不同控制点之间的干扰,从而实现图片中服装合理扭曲的效果。整个模型通过网络预测径向基函数的相关变换参数,然后根据参数得到相应的坐标网格,最后通过双线性插值得到扭曲的服装图片。相较于传统的TPS,该方法能保留服装的特征并且提升了整体换装的性能。4.提出了基于生成对抗网络的特征保留模型,用以调整人体和服装的特征,输出最终的换装结果。该模型采用了并行的U-Net的结构,U-Net之间通过Residual Block共享高级语义信息,以此实现特征保留。两个U-Net分别预测掩码和渲染的人体,最终通过掩码加权求得扭曲的服装和渲染的人体之间的融合结果。该模型有效的改善了伪影的问题,使得最终的结果更加逼真。