在计算机视觉领域中,人体图像的理解具有巨大的研究价值和极其广泛的应用前景。其中最基础也是最重要的任务就是人体姿态估计,准确的人体姿态估计在动作识别、智能监控、人机交互等领域都具有巨大的应用价值,而三维人体姿态估计则提供了更多维度的人体信息,减少了姿态的歧义性,能够更好的适用于更多的应用。人体图像生成也是近年来新兴的对于人体图像的研究方向,人体图像生成以人体姿态估计为基础,生成多样性的新图像可用于扩增数据集,并且也可以应用于增强现实、虚拟试衣等领域。近几年来随着深度学习的发展,计算机领域各项任务上均取得了较好的结果。本文有以下三个工作:1.本文提出了一种多视角下的基于三维热图的三维人体姿态估计方法,利用了多视角数据,减缓了遮挡造成的误差,提升了三维姿态估计的准确度。同时在网络中利用了反投影建立二维热图到三维热图的映射方式,保留了关节点位置的置信度信息,为网络融合提供更多信息的同时也实现了网络的端到端运行。2.本文还提出了一种多视角下的基于生成网络的半监督三维人体姿态估计方法,利用无监督编解码网络获得表征人体结构信息的中间特征编码,以此来通过简单轻量的网络回归三维姿态,从而减少了三维标注数据的使用量。同时回归网络中利用了注意力融合的方式,进一步提升了三维姿态估计的准确度。3.本文最后提出了一种基于SMPL模型的人体图像合成方法,可以合成任意姿态、任意形体、任意视角下的新图像。其中利用UV图指导的外表编码网络和交叉训练过程分离了人体外表信息和结构信息,使得生成图像更清晰更接近真实图像,同时全局外表注册的应用使得网络在合成不可见视角时也可以得到准确的外表。本文对三种方法的有效性进行了实验验证并分析,在Human3.6M数据集上和手机采集的数据集上取得了较好的实验结果。