随着当今社会信息化和智能化的迅速发展,利用计算机实现以人为中心的各类分析成为了可能。在人机交互、视频监控、医疗防护等应用场景中,准确的人体解析、姿态估计以及进一步的行为识别都是至关重要的。本文使用深度学习的方法,通过对现有的以人为中心的各类分析方法进行研究,寻找其中的不足之处,提出了相应的改进方法。本文的主要研究内容如下:（1）提出了一种用于人体解析的类别感知网络。针对现有人体解析模型的提取特征方式相对单一的问题,本文在人体解析网络框架的基础上,对骨干网络特征提取方式进行了改进,在减少网络计算参数、降低网络前向传播计算量的同时,增强了网络特征提取能力;将注意力模块嵌入到解码网络的金字塔模块中,选择性地挑选更有意义的语义特征属性;引入了多标签分类分支,突出类别相关的特征图,引导解析结果生成,从而提升网络在人体解析任务上的性能。（2）提出了一种联合人体解析和姿态估计的网络。针对现有人体姿态估计模型参数量大,难以应对实际场景中实时性要求,而简单压缩网络参数则难以兼顾精度等问题。本文在人体姿态估计网络框架的基础上,在骨干网络中,利用极值分布理论构建残差连接门,减少网络前向传播计算量;分析人体解析与姿态估计特征提取的相似性,引入人体解析分支,得益于多任务学习的优势,两类任务相互促进,丰富了提取特征的多样性,同时在监督训练过程中为对方任务提供了指导,保证了模型在人体姿态估计任务上的效果。（3）针对行为识别过程中信息冗余的问题,使用姿态估计算法对视频数据进行处理,得到人体关键点序列,去除视频数据中背景的冗余信息。在利用骨架序列进行行为识别的卷积神经网络基础上,通过引入图卷积的方式提取人体骨架序列在时间空间上的动态结构信息,提升了最终的人体行为识别结果。为了验证骨架提取效果对行为识别的影响,构建了一个命名为UCF-23的动作识别数据集,实验验证了融合卷积和图卷积的模型优势。