人体解析是对人体图像中的部位和衣物进行像素级别的识别。基于强有力的语义分割方法并进一步结合有关人体特性的辅助信息是当前的人体解析工作的主要研究路线。我们注意到,当人们在社交网站上分享照片时,往往会分享身着同一套衣服以不同姿势或角度拍摄的多张照片。这些额外的照片天然地可以作为人体解析任务的辅助信息。本文受到这种行为的启发,当对一张人体图像进行解析时,可以提供另一张相关图像的原图作为参考图像,通过寻找两张图像之间的相关关系并以此从参考图像中提取信息来提升对当前图像的解析精度。本文提出动态协同注意力网络用于解决人体解析问题,该网络由用于提取深层特征的主干网络,用于改善当前特征、引入辅助信息的动态注意力模块以及用于补充全局信息和空间信息、提升特征分辨率的解码器模块组成。其中对改善特征最为重要的动态注意力模块分为三部分,第一部分为动态滤波模块,该模块从当前图像特征中提取动态滤波器参数和动态相似度,用于提升当前特征结构化特性。第二部分为动态协同注意力模块,该模块的作用是从参考图特征中寻找与当前分割图特征相关性最强的局部区域,从参考图特征中提取辅助信息用于对当前图特征的改善。第三部分为动态计算模块,其作用为将前面模块得到的动态滤波器参数和动态相似度作用到输入特征上,得到该模块的输出特征。由此可以得到从当前图特征提取的改善后特征和从参考图特征中提取的辅助信息特征,将这两个特征和当前图原特征进行融合,即得到最终的引入了辅助信息的改善特征,该特征融合了从两张图像中提取的丰富信息,对分割图像具有更强的表达性,更有利于解析。为了更好地验证模型效果,本文同时还提出了一个新的人体解析数据集,该数据集由成对图像组成的,每对图像为同一个人身着同一套衣物以不同姿势或视角拍摄的两张照片,并且其中只有一张图像具有真实值标记。本文在该数据集上进行了大量实验,实验结果表明本文提出的模型中各个模块对最终结果均有不同程度的提升效果。在与其他最新的人体解析方法的对比上,本模型也具有更加优秀的性能。