人体姿态迁移是一个新兴的研究问题,探索如何将图像中的人物从一个给定的初始姿态转换到另一个指定的姿态,并保留真实准确的纹理信息。该技术在电影编辑、虚拟现实、媒体制作等领域具有巨大的应用潜力。随着深度学习和生成模型的快速发展,越来越多的学者开始致力于这一研究方向。不同于普通物体,人体具有非刚性的特性。在人体姿态迁移任务中,从一个姿态迁移至另一个姿态是一个非线性的过程,因此传统图像生成方法难以对该任务进行有效处理,而深度学习方法的出现有效的解决了这一难题。其中,自编码器和生成对抗网络模型是应用最为广泛的深度学习模型。目前人体姿态迁移常用的方法为基于条件式生成对抗网络的生成模型。值得注意的是,大多数人体姿态迁移模型没有考虑充分利用初始人体姿态和目标姿态之间的几何约束,因此这些模型很难将参考图像中的内容准确地迁移到目标图像中的位置,生成更加真实的图像。针对这一问题,本文提出一种基于骨架序列的人体姿态迁移模型,设计了几何编码器模块加强空间约束,有效地提高了生成图像的质量。本文的主要工作包括以下两个方面:（1）针对目前人体姿态迁移模型忽略了初始姿态和目标姿态之间的几何约束信息的问题,本文提出一种基于骨架序列的人体姿态迁移模型。该模型首先使用线性插值算法生成一个姿态骨架序列,以渐变方式有效地表达初始姿态和目标姿态之间的几何约束。针对生成的骨架序列,引入了3D卷积网络进行编码,有效地学习到了骨架序列之中隐含的时空特征,并指导目标人物图像的生成。本模型充分利用了姿态间的几何约束,获得了更好的图像生成效果。（2）基于对骨架序列信息利用效率的考虑,本文进一步提出了基于V-编码器的人体姿态迁移模型。V-编码器充分利用了骨架序列中的每一骨架帧的信息,基于骨架相邻帧的相似性,将大空间扭曲变换转换成多个小空间上的变换,使姿态迁移过程变得平滑,从而有效提高对骨架序列信息的利用效率,进一步提高图像生成的质量。以上模型均在Market-1501数据集上进行实验。与已有模型相比,基于骨架序列及3D卷积编码器的人体姿态迁移模型和基于V-编码器的人体姿态迁移模型均要优于现有模型,IS分数提高了3.9%,生成的图像质量更高。