头部姿态估计,即确定人体头部相对于摄像机视图方向的姿态,是基于人体生物特征的计算机视觉领域重要分支。头部姿态可以应用于疲劳驾驶检测、智慧课堂、人机交互等场景。除此之外,头部姿态估计任务还是很多人脸相关任务的基础任务,例如人脸识别、视线估计等。因此头部姿态估计任务具有重要的研究价值,本文结合利用RGB图像和深度图像,并使用卷积神经网络来研究头部姿态估计。主要工作包含以下几个方面:（1）提出了基于多任务与注意力机制的头部姿态估计方法。该算法使用单张RGB图像预测头部姿态。首先,与常规的多任务算法不同,在该算法中将表示头部姿态的偏航角（yaw）、俯仰角（pitch）、滚转角（roll）拆分开来,作为三个子任务分别预测,用来学习各角度的“个性化”特征;接着设计了一个角度分类任务,用来引导三个欧拉角的回归任务;然后以GhostNet为主干网络构建了一个具有4个预测分支的卷积神经网络;并且为四个任务分支都引入了注意力机制模块CBAM,来强化有用特征,弱化无用特征;最后通过引入偏移量的方式,改进过往的头部姿态角度值的计算方式。该算法在300W-LP、AFLW2000、BIWI数据集上进行对比实验,实验结果表明该算法的预测误差平均值,均控制在5°以下,与同类算法相比,取得了良好效果。（2）提出了基于深度图像多级特征融合的头部姿态估计方法。不同于通过深度图像构建三维模型来预测头部姿态的方法,该方法直接使用深度图来预测头部姿态。首先,该方法以ResNet101作为主干网络,具有强大的特征提取能力;接着,为了充分使用深度图的局部空间信息与全局空间信息,构建了多级特征融合模块;最后,沿用了基于多任务与注意力机制的头部姿态估计方法中将三个角度分别作为一个任务的思想,设计了一个具有3个预测分支的卷积神经网络。该算法在BIWI、Pandora数据集上进行对比实验,实验结果表明在BIWI、Pandora数据集上的预测误差平均值分别控制在2°、6°左右,与同类算法相比,效果良好。（3）提出了基于多模态信息渐进式深度融合的头部姿态估计算法。该方法将RGB图像与深度图像相结合来预测头部姿态。首先,该方法模仿了FSANet中的具有异构双流结构的主干网络,构建了一个同构双流的主干网络;接着为了实现多模态信息渐进式深度融合,提出了支流间信息交互机制,在特征提取阶段对多模态信息进行初步融合;然后,提出了引入通道混洗与注意力机制的特征融合模块,对特征提取网络输出的特征图进行深度融合。该算法在BIWI数据集上进行对比实验,在BIWI数据集上的预测误差平均值控制在2°以下,与同类算法以及本文前两个算法相比,均取得了良好效果。