人体解析是计算机视觉领域中一种复杂而精细的语义分割任务,是针对图像中的行人进行详细图像理解的关键步骤之一。近年来,随着深度学习的应用越来越广泛,在人体解析方面也取得了很大的进步。但是面对人体姿态的多变、服饰的多样以及复杂的场景这些情况,常用的仅依赖于语义分割模型的方法不再能达到人体解析任务所需的效果。区别于语义分割任务,人体解析需要对“人”这个特定对象进行信息分析与理解,其中对人体的各个细粒度部件的研究对解析性能起着非常重要的作用。本文着重对人体各部件信息进行了研究,并扩展到现实中更常见的多人图像中。首先,为了捕获人体各细粒度部件之间的相关关系,本文利用了非局部（non-local）操作增强模型捕获远距离信息的能力,从而对人体部件内在的相对关系进行建模。同时,本文针对人体部件之间的大小差异,经过统计分析后采用分支结构,每个分支具有不同的感受野（receptive field）,并使用注意力机制（attention）来增强其效果。在详细的对比实验中,本文首先基于模型resnet-101实现了人体解析基准性能,再将提出的各种改进算法嵌入基础模型中,最终在Look into Person（LIP）验证集上实现了53.32%m Io U（平均交并比,mean Intersection over Union）。通过实验验证了对人体部件的关注在人体解析任务中能起到关键性的作用。随着以行人为中心进行图像理解的各种任务的扩展,对人体各部件的研究可以融合姿态估计任务来进一步优化。接下来,本文提出了一种分层的语义分解组合结构,并将姿态信息嵌入结构中进一步关注人体各部件特征。相比已有的结合姿态信息的人体解析方法,本文着重解决了离散的姿态信息与连续的解析信息之间存在的矛盾,并且是第一次从显式的角度来连续化姿态高响应点信息。模型进一步深入地挖掘了人体各部件的有效信息。详细的消融实验证明了分层结构和连续化的姿态信息的有效性,最终在LIP验证集上实现了55.21%m Io U。最后,由于现实中更常见的是多人图像,本文将上面提出的人体解析算法扩展到针对多人图像的实例级人体解析任务中,即同时进行了行人实例分割任务和人体解析任务。在行人实例分割网络中,根据指定像素点坐标在网络中聚类,得到该像素点坐标对应的实例mask。在人体解析网络中,采用上面提出的人体解析算法。在多人数据集Crowd Instance-level Human Parsing（CIHP）上对这些算法进行了详细的对比,再次证明了上面提出算法的有效性和通用性,最终实现了60.81%m Io U。本文根据部件信息对人体结构进行建模,并且结合姿态信息对部件特征表达进行优化,其中在结合姿态信息的操作上提供了一种新的解决方案。最终在人体解析领域提出通用的有效框架,对人体解析的学术研究具有重要意义。