人体姿态分析是图像处理与模式识别领域中一个非常热门的研究方向,其在众多领域均具有广泛的应用与广阔的前景。用于解决人体姿态问题的算法多种多样,其中高斯过程回归由于在处理非线性,高维,复杂问题中的优越性,成为一种常见的解决此类问题的方法。在经典的高斯过程回归中,计算复杂度一个重要的考虑因素,而常用的降低计算复杂度的方法为稀疏高斯算法。在稀疏算法中,完全独立训练条件法是一种较为先进的算法,其多用于解决输入变量彼此之间完全独立的回归问题。另外,输入变量的噪声问题则是高斯过程中另一个需要考虑的重要因素,对于测试的输入变量的噪声,可以通过矩匹配与进行处理,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度。带有神经网络结构的概率模型是机器学习中又一重要的研究领域,深度学习模型在学习与抽象信息相关联的复杂数据集方面天然具有结构上的优势,可以显著提高学习质量,但与之相对的却是大量的训练数据需求。深度高斯过程就可以在两者之间达到一个很好的平衡,该方法的单层结构来自于高斯隐变量模型,在预测中小型样本集时依旧可以达到较好的精度。本文将以上两种算法分别用于解决两类人体姿态分析问题。一类数据集来源于HumanEva-I数据集,其输入为从视频序列中截取的图像通过特征提取而得到的特征向量,输出为三维的人体姿态位置信息;一类数据集来源于太空空间站舱内视频,其输入依旧为图像的特征向量,输出为人体关节信息与舒适度信息。与其它算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果,在实际的工程应用领域也具有可推广性。