人体姿态估计是指在给出的图像数据中准确定位出人体的各个关键点,比如肩部、头部、肘部,将定位出的关键点按人体结构进行连接,形成人体姿态的过程。人体姿态估计是计算机视觉中极具挑战性的任务,在人机交互、智能安防、行为识别等领域都有着重要的应用价值。近些年,随着深度学习方法的引入,深度神经网络结构的不断革新致使人体姿态估计算法在性能上有飞跃式的提升。本文从改进深度神经网络结构的角度出发,分析人体姿态估计任务本身的特点,提出新的网络模型,主要工作包含以下两个方面:（1）人体姿态估计任务的目标是准确定位关键点的位置,对空间灵敏度要求较高,因此网络学习的特征需具备很高的定位精度。同时,由于人体姿态复杂多样、关键点之间区分难度大,网络学习的特征应具备很强的判别性。基于上述考虑,提出多分辨率特征融合网络（MR-FFN）。网络由并行的两个分支构成,上分支维持高分辨率的特征,以保留浅层的空间信息;下分支将高分辨率特征下采样至低分辨率特征,以提取深层的语义信息。为了增强网络学习的高分辨率特征,将下分支中多分辨率的特征信息融入到上支路的高分辨率特征中,加强其语义信息的表达能力。多分辨率的特征融合使网络持有丰富的空间及语义信息,是关键点准确定位的必要条件。为了让网络学习的特征更具判别性,提出多感受野融合模块（MFF）。该模块通过并列堆叠不同大小卷积核的方式产生多种感受野,将得到的不同感受野特征进行融合,充分利用上下文信息增强各分辨率特征的判别性。MR-FFN最终输出具备高定位精度及强判别性的高分辨率特征,用于预测关键点的位置。实验表明MR-FFN在人体姿态估计两个经典数据集上都能达到较高的任务精度。（2）从注意力机制的角度思考人体姿态估计任务,针对特征进一步精炼提出组合注意力模块,并以该模块为核心构建姿态注意力网络（PAN）。PAN由并行的三路分支构成,旨在对特征图中与任务相关性强的特征区域进行特征增强。其中,两路分别为空间注意力模块和通道注意力模块,用于提取注意力权值,并对相应的特征加权强化;剩余一路引入级联的MFF模块增强原有特征,并与注意力权值强化后的特征进行融合,作为网络最终的输出特征。PAN提取融入注意力机制的强判别性特征,可达到特征精炼的效果。实验结果表明,在人体姿态估计两个经典数据集上PAN都能提高MR-FFN的精度,并且具有一定的通用性。