由于对人物追踪、动作识别的技术需求,姿态估计成为时下最为重要的计算机视觉挑战性问题之一。当前研究者们已提出了多种人体姿态估计算法,但由于面临诸如光照变化、人体变形、部位相互遮挡、状态空间高维数和大尺寸等困难,现有的人体姿态估计算法精度较低,人体姿态估计问题仍待进一步研究。针对这些问题,本文提出一种基于空间变换卷积神经网络的人体姿态估计方法,通过搭建空间变换卷积神经网络模型来训练关节的依赖关系从而提高关节点的分类准确率。主要工作如下:首先对数据做预处理。本文选取LSP(Leeds Sports Poses)数据集,为了获得更大的数据集以及提高模型的泛化能力,对数据集图片做旋转、翻转操作扩大数据集的规模。之后以关节点为中心进行分割,对分割后的关节图像块做聚类。以聚类结果为标签,供接下来的深度空间变换卷积神经网络训练关节的依赖关系。在实验中用K-MEANS算法和K-MEANS++算法做聚类对比,实验结果证明对于二维的关节图像块,K-MEANS算法简单且结果更好。其次,用深度空间变换卷积神经网络训练关节的依赖关系。本文用基于深度学习的caffe框架搭建了一个深度空间变换卷积神经网络,之后以K-MEANS聚类结果作为网络的输入,训练关节的依赖关系。在训练中通过交叉验证的方式不断的对网络的参数进行优化。在实验中与未加空间变换层的深度卷积网络进行了对比,实验结果证明深度空间变换卷积神经网络对数据的拟合能力更强,训练的关节依赖关系更好,关节依赖关系的训练准确率提高了10%。最后构建支持向量机的决策函数用于关节分类。本文分析了支持向量机(Support Vector Machine,SVM)中决策函数的作用,之后基于K-MEANS聚类结果和深度空间变换卷积神经网络的训练结果通过数学建模构建了一个得分函数,以该得分函数作为SVM的决策函数用于关节分类,该得分函数由两部分组成,一部分根据提取到的图片特征对某关节碎片有一个初步的判断,另一部分根据训练的关节依赖关系对该碎片进一步识别。通过两部分的叠加来识别关节点。最终通过实验仿真展示了在不同评价标准下对关节部分和关节点的预测准确率,在PCP标准下肢体部分的平均检测准确率由75.0%提高到79.8%,在PDJ@0.50标准下关节点的平均检测准确率提高了0.5%达到89.0%。