近些年,基于单目图像的三维人体关节点估计引起学者们的广泛关注,可应用于视频监控、行为识别、三维建模、人机交互等多个领域。但是其存在较多的研究难点,例如输入图像的暗光、模糊、遮挡,以及由二维数据重建三维结构的歧义性问题等。因此,本文研究由单目序列图像估计中间帧三维人体关节点的方法,主要包括两个阶段:首先利用二维人体关节点估计算法预测序列图像的二维人体关节点位置,然后以此作为输入数据回归中间帧的三维人体关节点。针对于基础模型的差异,本文分别探究了从一维卷积模块和Transformer模块中预测人体三维关节点的方法,主要工作如下:（1）基于一维卷积的三维人体关节点估计。由于原时序卷积模型没有充分利用低层次网络的特征,且输入的二维关节点序列中存在噪声,本文对原时序卷积模型进行了改进。首先,为了充分提取并利用各层次的特征,在原时序卷积模型的每个一维卷积模块之间加入了中间监督机制,使得每个一维卷积模块都可以生成一个三维姿态,最后以一定比例计入损失函数。其次,为了尽可能保留原模型中残差结构的特征,采用平均池化函数代替了原网络中的切片函数;进一步设计二维关节滤波器对输入的二维关节点序列进行平滑处理,尽可能缩小输入数据的误差。在人体姿态数据集中与当前已有模型的对比实验表明了本文构建模型具有较高的预测精度和更强的抗噪能力。（2）基于Transformer的三维人体关节点估计。为了解决卷积模型易受制于感受野大小的问题,本文选择引入在自然语言处理中的Transformer模型,改进了原PoseFormer的网络结构,提出了针对性时空Transformer模型。首先,根据关节点运动的复杂度分成四个层级,优先训练容易估计的关节点,并由易到难,利用人体关节点链式结构的特点,层层递进,有效提升了模型的精确度。其次,结合第三章的时序卷积结构来处理帧于帧之间的时间特征,用跨步卷积取代Transformer中的全连接层,逐步减少序列长度,有效解决了相近帧时序特征的冗余问题,减少无效特征的干扰。最后,使用GeLU作为激活函数,并融入了随机正则化,有效提升了模型的泛化性。将改进模型与第三章的时序卷积模型以及当前最新的三维人体关节点估计算法的对比实验表明,该模型较时序卷积模型的效果有较大提升,对比原PoseFormer模型精准度也有一定的提升,并且在复杂动作上展示出更强的解析和预测能力。