基于视觉的人体姿态识别赋予计算机以人的智能,让计算机在原来只能观察到外部世界的基础上进一步理解自然场景中人类所进行的活动,并能够做出智能化的决策。本文拟从主流的深度学习方法出发,先以人形目标检测算法检测出图像或视频中的人体目标区域,再使用姿态估计算法从目标区域中提取人体骨架特征数据,接着使用人体姿态识别算法从骨架数据中实现人体动作姿态的识别与分类,最后为了测试模型在移动端进行部署的可能性,拟通过低比特模型量化技术压缩模型参数规模,降低模型的内存空间消耗,从而加快移动端推理速度。具体研究内容包括:（1）首先,采用YOLOv5s轻量化目标检测模型在COCO数据集上提取的人形检测数据集进行训练,生成人形目标检测模型,用于人形目标检测。该模型能达到79%的精确率,并且对遮挡情况也有很好的检测结果;（2）接着,采用以本文的YOLOv5s人形目标检测模型为人形检测器的Alpha Pose姿态估计算法在COCO人体关键点数据集上训练人体姿态估计模型,用于人体骨骼关键点的提取。将本文的姿态估计模型和官方的以YOLOv3-SPP为检测器训练的姿态估计模型进行对比,发现本文模型在识别效果相差不大的情况下,模型大小和检测速度均有明显的改善;（3）然后,采用时空图卷积网络对使用本文的姿态估计模型在Le2i跌倒检测数据集中提取的骨骼数据集训练人体姿态识别模型,用于进行人体动作的识别与分类。实验表明模型能够精确识别出在监控器拍摄的简单场景下特定的动作类别。（4）最后,在Magik平台下对人形目标检测模型和人体姿态估计模型进行8bit以及4bit的模型量化实验。实验结果表明,通过量化训练使得模型在精度损失不大的情况下,极大地降低了模型的参数量,并且模型在君正T40开发板上的测试推理速度有了很大的提升。其中量化的8bit模型较原始32bit浮点模型的模型大小缩减4倍,推理速度提升4倍;量化的4bit模型较原始32bit浮点模型的模型大小缩减8倍,推理速度提升8倍。