三维人体姿态估计是对图像或者视频中出现的人体进行准确的关节点定位,抽象出一个三维人体骨骼形状,以便后续的动作分析和行为识别。它是很多高级计算机视觉任务的基础,能够广泛的应用于视频监控、步态分析、动作捕捉以及体感人机交互领域。随着深度神经网络模型的飞速发展,三维人体姿态估计方法也在日益革新。基于深度学习的两阶段三维人体姿态估计方法首先将图像传入预训练的二维姿态提取网络获取二维人体关节点坐标,然后再通过神经网络建立二维关节点到三维坐标点的映射,这类两阶段方法在实际应用中展示出了良好的效果。但在二维姿态到三维姿态的变换中,现有的方法大都通过大量标注数据进行有监督迭代训练,一方面忽略了数据在分布上的有效信息,另一方面造成了单一数据集上的过拟合现象。在实际应用中,稀少的三维人体姿态标注数据也制约了有监督方法的进一步应用,无法满足多种场景下三维人体姿态估计网络的训练。近年来,生成对抗网络技术飞速发展,通过网络的对抗性学习,能够有效的提取数据分布的信息。因此本文主要是在深度对抗式学习框架下,利用生成对抗网络对不同训练场景下的三维人体姿态估计问题进行了研究,具体内容如下:1、现有的有监督三维姿态估计方法在重建三维人体姿态时大都没有考虑到姿态数据的分布特性。本文以此为出发点,提出了一种姿态投影生成对抗网络用于有监督三维姿态估计。通过构建特殊的投影判别器为有监督模型提供两种新的约束信息,从而提升三维人体姿态估计的精度。本文分别利用改进版Wasserstein生成对抗网络（WGAN-GP）和最小二乘生成对抗网络（LSGAN）两种对抗式学习算法对模型的有效性进行了验证分析。定性定量分析表明,通过投影判别器引入新的约束,能够有效提高有监督模型的精度。2、有效学习姿态数据的分布信息可以进一步减弱训练过程对真实三维姿态标签数据的依赖。本文基于WGAN-GP生成对抗网络,利用姿态数据在变化过程中自身的结构特性,分别设计了弱监督循环投影网络和无监督双向投影网络用于三维姿态的重建。其中,循环投影网络在训练过程中不需要三维姿态与二维姿态数据之间明确的对应关系;双向投影变换从两个方面对三维姿态的重建过程进行了约束,充分挖掘了姿态数据自身的物理特性,能够不依赖三维姿态数据完成模型的训练,实验在MPII和Human3.6M数据集上都实现了有竞争力的重建效果。