生成对抗网络常常被用于图像着色、语义合成、风格迁移等图像转换任务，但现阶段图像生成模型的训练往往依赖于大量配对的数据集，且只能实现两个图像域之间的转换。针对以上问题，提出了一种基于生成对抗网络的时尚内容和风格迁移模型（Content and Style Transfer based on Generative Adversarial Network，CS-GAN）。该模型利用对比学习框架最大化时尚单品与生成图像之间的互信息，可保证在时尚单品结构不变的前提下实现内容迁移；通过层一致性动态卷积方法，针对不同风格图像自适应地学习风格特征，实现时尚单品任意风格迁移，对输入的时尚单品进行内容特征（如颜色、纹理）和风格特征（如莫奈风、立体派）的融合，实现多个图像域的转换。在公开的时尚数据集上进行对比实验和结果分析，该方法与其他主流方法相比，在图像合成质量、Inception score和FID距离评价指标上均有所提升。