人体姿态估计主要是通过图像分析手段提取人体的关节点定位信息的过程,作为计算机视觉领域的基础研究之一,在人机交互、智能监控、姿态分析等领域具有重要的应用价值,例如通过人体姿态估计能够有效帮助解决现实生活中诸如养老看护和城市安防领域的人员监控问题,极大地保障广大群众的人身安全。近年来,随着计算机硬件能力的提升和深度学习等相关理论的发展,越来越多的研究者开始尝试基于卷积神经网络的人体姿态估计方法并取得了较大的进展。然而,由于现实生活中人体姿态的复杂性,目前的人体姿态估计仍然存在着一些需要解决的问题,如人体关节点受遮挡、复杂背景影响、人体视角多变等造成的生成人体姿态不合理以及部分困难关节点检测不佳问题,此外,绝大部分方法在提高关节点检测精度的同时,往往忽略了模型的运算量对人体姿态估计方法实用性的影响。针对以上问题,本文进行了相应的研究。(1)针对目前常见的人体姿态估计方法存在的生成人体姿态不合理的问题,受到生成对抗网络通过对抗学习拉近生成数据与真值标签之间的分布距离,进而提高生成器数据生成表现能力的启发,本文对比研究了基于不同生成对抗网络结构的人体姿态估计方法,通过对抗学习策略引导人体姿态估计生成器学习真实人体姿态数据分布进而生成更精确和合理的关节点定位坐标,通过在相应数据集上进行实验验证了该方法的有效性。(2)针对部分人体关节点,如与人体躯干不相连的肘关节、腕关节等的检测不佳的问题,本文提出了一种基于注意力增强机制的人体姿态估计对抗训练方法,通过在人体姿态估计对抗模型的中间监督训练过程中添加实时的困难样本挖掘技术,增强较难检测关节点的训练强度,进而达到提高困难关节点定位表现的目的。本文在相关的数据集中进行实验,验证了该方法对困难关节点检测的积极影响。(3)针对目前的人体姿态估计方法普遍存在的运算量较大等问题,本文提出了一种基于多尺度对抗学习的高效率人体姿态估计算法,在有效降低模型运算量的同时,使得模型能够学习到不同尺度的人体姿态特征,进而保证较好关节点的检测精度,实现运算量与模型表现之间的较好平衡。本文在相应数据集上进行实验,并对关节点检测精度和运算量等指标进行了综合评估,验证了所提方法的有效性。本文对目前人体姿态估计方法存在的姿态生成不合理、困难关节点样本表现不佳、运算量较大的问题进行了系统的研究,提出了相应的解决方法,通过在公共数据集上进行实验与分析,验证本文方法有效性。