人体姿态估计是计算机视觉领域里的热点研究方向,在行为识别、人机交互、行人重识别和行为预测等领域有着广泛的应用。近年来由于深度学习在人体姿态估计领域的深入研究,使用卷积神经网络进行人体姿态估计取得了显著的进步,但由于卷积本身仅能提取局部特征,对于长距离特征和通道间特征无法进行有效的提取,如何解决长距离特征和通道间特征的提取问题成为实现高精度人体姿态估计的关键问题之一。为解决上述问题,本文引入了注意力机制,分别从通道注意力、空间注意力和金字塔注意力三个方面开展优化卷积神经网络的特征学习能力的研究工作。本文的主要工作如下:（1）针对人体姿态估计任务中多分辨率特征表征直接融合时存在无法有效利用特征图空间特征信息的问题,基于High-Resolution Net（HRNet）进行结构设计,构建了结合通道域注意力和空间域注意力机制的多分辨率人体姿态估计网络GCT-Nonlocal Net（GNNet）。提出了一种基于注意力机制的多分辨率表征融合方法,在不同分辨率表征融合前,由空间注意力提取出各分辨率表征更有用的空间特征信息来改进融合单元,使得各分别率表征间的信息融合效果更佳,最终输出的高分辨率表征含有更丰富的特征信息,同时构造了 Gateneck模块和Gateblock模块,其通过引入通道注意力高效地提取通道信息。最后在MS COCO val 2017数据集上验证了所提方法提高了多分辨率特征表征融合效果。（2）针对多分辨率网络中的上采样缺乏可学习参数以及高分辨率特征分支在融合后缺乏深层次特征提取的问题,提出了自适应上采样注意力和自适应金字塔注意力方法,并用其改进HRNet构建出多分辨率人体姿态估计网络AUPNet（Adaptive Upsample Pyramid Network）。首先介绍了无参数学习的上采样方法,分析了无参数学习上采样方法带来的特征损失问题,提出了基于注意力机制的上采样方法,优化了在上采样过程中容易带来的特征损失。分析了特征金字塔对输入特征图多层次的学习特点,结合通道注意力设计结构,提出了自适应金字塔注意力方法,提升了对高分率特征的提取效果。最后,为了验证所提方法的有效性,将其加入到高分辨率人体姿态估计网络中并在COCO 2017数据集上进行实验验证,结果证明了所提方法可以有效改善上采样特征损失问题并提高高分辨率分支特征提取效果。