随着现代科技的进步,视频和图像已经成为人们最主要的信息传递方式,如何更好地利用这些信息是一个值得深入探讨的问题。3D人体姿态估计是计算机视觉领域的一项热门研究话题,它是指从视频或图像中估计人体关节点的3D位置。3D人体姿态估计技术拥有十分广泛的应用场景,如人机交互、自动驾驶和视频监控等。但是目前该技术的发展仍然不够成熟,取得的成果距离人们满意的效果还有很大差距。本文研究的主要内容是设计一个深度网络模型,使该模型能够使用2D关节点坐标数据进行3D人体姿态估计。目前在这项研究任务中仍然存在很多挑战,主要原因是2D人体姿态的关节坐标只有两个维度,所包含的信息非常有限。此外,由于一个2D姿态可能对应多个3D姿态,所以3D人体姿态估计任务存在严重的歧义和模糊性问题。因此,本文设计了一种基于沙漏结构的图卷积网络,通过提取不同尺度图结构的特征,更加灵活地捕获人体姿态局部与全局关系。本文主要贡献和研究内容如下:（1）设计了一种基于沙漏图卷积的网络结构,该网络结构可以利用2D人体关节点坐标信息进行3D人体姿态估计。因为多个不同尺度的人体结构能够更有效地帮助网络提取特征,本文通过使用骨骼池化与反池化操作,获得3种不同尺度的能够表示人体姿态的图结构,并在不同尺度结构上进行图卷积操作。（2）提出了一种知识蒸馏算法用于提高网络模型的泛化能力。该算法是一种基于输出实例间关系的知识蒸馏算法,它不利用额外信息,而是利用已经训练好的网络模型监督新网络模型进行训练,最终提高训练后网络的泛化能力。（3）通过实验对本文网络模型的性能进行验证,使用Py Torch深度学习框架主要在Human3.6M数据集中训练和测试网络模型,通过消融实验对网络结构中的各个模块进行了分析。最终,网络模型预测的平均每个关节位置误差为37.3mm,实验结果表明本文提出的网络结构和方法可以用于精确的3D人体姿态估计任务。