随着社会的发展,人们越来越关注个人健康,而其中最为关注的便是居家健康看护,特别是对特定人群,如老人、小孩以及孕妇等,居家健康看护的意义十分重大。人体位姿估计是居家健康看护系统中的重要技术之一,是人的动作识别、交互操作以及危险预警等应用的重要组成部分,准确快速的人体位姿估计是居家健康看护系统中不可或缺的技术。在实际环境中,人体姿态变化多样,相机视角的变化、衣着的变化以及空间位置的歧义性都将影响三维空间下的人体位姿估计精度,研究者们提出了多种方法来提升3D位姿估计精度,诸如基于多视角、基于深度信息的方法,但这些方法存在使用成本、场景约束等诸多限制。在深度学习出现后,基于单目图像的位姿估计方法成为了新的研究热点,然而此类方法依然不能很好的解决居家健康看护场景下的3D人体位姿估计问题。在本研究中,我们采用自顶向下的方法来解决居家健康看护场景下的3D人体位姿估计问题。方法分为两个阶段,第一阶段为人体检测器,将目标检测算法作为人体检测器,检测图像中的人体;第二阶段为单人3D姿位姿估计方法,为了得到3D人体姿态,网络不仅要检测关节的二维信息还需恢复各个关节点的深度信息。考虑居家健康看护场景下算法泛化问题,我们以人体的胯部中点作为根节点,通过空间上下文信息确定人体关节点之间的相对关系来恢复3D人体姿态。单人3D位姿估计框架为堆叠网络结构,采用沙漏模块来学习空间上下文信息,多尺度信息融合与上下文信息推理能更好的学习关节之间的关联信息;为解决深层网络带来的欠拟合、梯度弥散以及难训练等问题,采用残差学习方法以及批量标准化方法,模型训练中采用中继监督训练方法,并在Human3.6m以及HumanEva数据集上进行实验来验证单人3D人体位姿估计的检测精度。为了验证整体算法在居家健康看护场景下的检测效果,我们对实际的居家健康看护环境图像进行了实验分析,验证了算法的可行性。