人体姿态估计是计算机视觉领域的重要研究方向之一,目标是定位出图像中关键点的位置并连接成对应的人体姿态,是行为识别、行人重识别和行人检测等高级视觉任务的基础与前提。近年来深度学习和卷积神经网络的快速发展推动着人体姿态估计的研究,使之在智能监控、人机交互、运动分析等领域有着广泛应用。但是在实际应用中人体姿态估计仍然存在一定的问题和挑战,一方面,复杂场景下人体交互带来的遮挡和姿态扭曲等问题影响模型性能,如何提取有效的空间信息和语义信息是提升关键点定位性能的关键;另一方面,现有的姿态估计方法关注模型精度而忽视了速度与精度之间的平衡,在资源受限情况下无法投入应用。为了解决以上两个问题,本文基于深度学习框架对单目人体姿态估计进行深入研究,从设计高精度网络结构、轻量化模型以及高效网络架构三方面出发,解决人体姿态估计中的研究难点与挑战,主要研究成果如下:（1）在深度学习框架下研究如何设计高精度网络结构来提取更具有鉴别力、表达能力更好的特征,从而提高网络精度。针对现有的高分辨率网络在遮挡、光照、姿态多样性等干扰场景下出现的定位误差和推断错误问题,提出了基于空间和上下文感知的多分辨率人体姿态估计网络。首先利用细节增强模块将浅层特征与输出的高分辨率特征通过残差跳转连接方式进行融合以增强细节信息,然后利用空间自注意力模块计算特征位置间的相关性来获得局部特征的全局依赖关系,最后为低分辨率深层特征设计信息补充模块,以跳转连接和并行空洞卷积分支为深层特征补充空间信息和语义信息来丰富特征表达能力。在COCO验证集上模型的准确率为77.0%,MPII验证集上获得91.0%的准确率。（2）在深度学习框架下研究如何设计轻量级网络来提高模型效率、加快推理速度。针对现有人体姿态估计算法重视模型精度而忽视模型效率的问题,提出了基于特征金字塔结构的轻量化人体姿态估计模型。该模型以Efficient Net V2作为主干网络,设计语义嵌入融合模块和姿态改善模块来构建轻量级网络结构。首先利用子像素卷积替换模型中所有恢复分辨率的最近邻上采样操作,以通道信息来补充空间信息,减少特征信息的损失。再根据浅层特征与深层特征间具有语义差异的问题,设计了语义嵌入融合模块来进行跨尺度特征融合。最后为输出特征设计姿态改善模块,利用空间注意力机制自适应地为输出特征补充重要信息,从而优化关键点定位。无预训练的轻量化模型以减少高精度网络三分之二的参数量和计算量在COCO验证集上取得的准确率为75.1%,在MPII数据集上取得89.8%的准确率。（3）在深度学习框架下研究如何设计高效网络架构,即既具有较高精度又保持轻量化的网络结构。针对轻量化模型保持模型效率却损失一定的模型精度的问题,提出了基于协作学习和目标约束的人体姿态估计网络。首先将经过预处理的数据同时输入到相同的两个轻量化网络中提取特征,然后聚合输出特征生成高质量的软目标（Soft Target）,与真值标签（Ground Truth）共同监督各个子网,提升网络预测性能。同时使用目标约束控制关键点定位范围,进一步提高定位精度。无额外性能开销的模型在COCO验证集上取得的准确率为75.5%,在MPII数据集上获得的准确率为90.3%。