在计算机视觉领域,理解人物目标是关键且具有挑战性的一个话题,而人体解析是实现这一目标的任务之一。人体解析是语义分割的子任务。人体解析是一个密集预测的任务,其目标是定位人体所在区域,并进一步将其划分成多个语义区域。近期,人体解析被广泛应用于其他分析人物目标的任务中,例如行人再识别、姿态估计、人体图片生成等。现有的基于深度学习的方法可以归纳总结为:基于特征增强、基于人体结构、基于多任务学习、基于生成对抗网络。其中,基于多任务学习的方法表现较为突出,因此,本文在此基础上做了进一步地探索。本文提出了以下两种方法来解决人体解析这一任务:（1）我们提出通过显著性检测处理单个人体解析的方法。现有的方法通常尝试采用边缘、姿态关键点信息来探索信息融合。然而,多种具有不同优化目标的任务在同一网络中训练,固然具有一定的不兼容性。为了克服这一问题,我们考虑采用具有更紧密的任务关联的显著性检测来进行探索,并提出了注意力机制引导的渐进式划分网络。在该网络中,注意力模块被设计用于提炼空间维度的全局信息,并融合多层级的注意力权重。同时,为采集适当感受野的多尺度特征,结构中也设计了一个特征提取模块。大量实验表明,这一方法超越了其他利用额外域信息增强和基于注意力机制的方法。（2）我们提出通过边缘检测增强人体解析的方法。从损失函数规划这一角度出发,除网络最后输出的损失外,大多数方法尝试探索增加其他损失项来增强解析结果,而这种做法较难通过调整损失比例来达到训练的平衡。因此,我们提出了一个边缘增强模块,着重于探索边缘信息和其损失项的潜力。同时,局部和全局信息通过密集连接的空间空洞卷积池化金字塔结构来提取。最终,构建了一个针对人体解析的边缘增强网络。经过大量实验,这一方法在LIP和CIHP数据集上实现了最好的数据结果,mIoU分别为56.55%、62.60%。