人体姿态估计任务的目标是通过算法检测出分布在图像数据中的人体骨架点,例如头部、手部、胯部等。作为计算机视觉领域基础而又艰巨的任务之一,人体姿态估计在行人重识别、行为识别、人机交互等领域都有着广泛应用。尽管随着硬件水平的提升以及深度学习的引入,人体姿态估计任务的算法性能得到跨越式提升,但是依然存在一系列问题。首先,现有单阶段网络特征学习低效,且网络过深易引起梯度下降甚至消失等问题。多阶段网络常用中继监督的方式补充梯度,但是中继监督只考虑了输出与真实标签的误差,忽视了各层次输出之间的内在联系。其次,在人体姿态估计任务中,局部信息和全局信息都有助于骨架点定位,而现有网络依靠大量卷积结构进行特征提取,缺乏保留关键特征能力和特征利用能力,消耗较多资源但性能提升有限。针对以上问题,本文做出了以下改进:（1）针对现有网络特征学习低效,网络过深易引起梯度下降等问题,提出基于级联预测的人体姿态估计算法（CP-Net）。算法结合中继监督与知识蒸馏提出合并监督算法,对网络构造不同层次输出预测并施加不同的监督方式。通过合并监督,浅层特征与深层特征建立起隐形关系,提高学习效率,网络梯度也得到补充。在合并监督算法的基础上,进一步提出级联预测特征融合模块。通过简单分支,对浅层预测特征进一步提取并累加至深层特征生成深层预测,浅层子网所包含的上下文语义特征及定位信息作为深层特征的补充以及先验知识,促进骨架点定位及分类任务。（2）针对现有网络提取人体姿态估计关键信息能力弱,特征利用不充分等问题,提出基于多注意力特征融合的人体姿态估计算法（MAFF-Net）。算法基于对现有注意力模块的了解设计非降维通道注意力模块（NDRCA）,并综合逐层空间注意力模块（LSAM）和全局上下文注意力模块（GCSA）设计多注意力特征融合结构。输入经骨干网提取初步特征后输入各注意力模块提取通道特征、空间特征及全局上下文特征,得到骨架点定位关键信息。然后,采用简单有效的融合策略对多角度特征进行融合,综合所有信息提高算法推理能力和鲁棒性。（3）在MPII和COCO标准数据集上的结果证明了本文所提算法的优越性。该论文有图36幅,表18个,参考文献91篇。