单人体解析作为图像语义分割领域的一个重要分支,目前在人体行为识别、行人再识别、图像人体检测等多种应用中扮演着重要角色。但受限于图像中人体及背景的多变性,传统的图像分割方法无法在单人体解析任务上取得良好的性能。目前基于深度学习中的卷积神经网络逐渐成为了图像语义分割的主流方法。相较于传统图像分割方法,卷积神经网络能够挖掘图像深层的语义信息。许多用于图像语义分割的网络模型也逐渐应用于单人体解析任务。但这些模型往往基于图像语义分割任务的共性进行设计,因此在单人体解析任务上无法取得令人满意的性能。目前,在单人体解析任务中性能较优的方法均针对人体的特殊性进行了相关优化。例如基于人体结构关键点的弱监督学习方法以及JPPNet网络模型。它们均从人体结构的角度出发,并利用结构损失对人体解析任务进行优化。本文基于国内外的相关研究,探讨基于注意力机制以及人体边缘检测对单人体解析任务的优化方法。本文的主要研究工作内容如下:（1）分析单人体解析任务的研究现状。基于LIP数据集构建本文的训练集和测试集,并基于多种图像变换的方法对数据集进行数据增强。对多种常见单人体解析模型进行训练并测试。通过实验验证在本文构建的数据集下,JPPNet模型相较于其他单人体解析模型能够取得更好的人体解析效果。通过分析JPPNet的人体解析结果,本文认为JPPNet存在着一定的改进空间,并针对性地提出两种改进策略。（2）基于SmoothNet中所提出的通道域注意力特征融合方法,本文设计与实现了基于卷积块注意力特征融合方法。卷积块注意力特征融合方法是一种结合了通道域和空间域的特征融合方法。相较于通道域注意力特征融合方法它能够更好的挖掘不同层级的语义特征图之间的关联性。并且本文将这种特征融合方法应用在空洞空间金字塔池化上,以改进JPPNet实现更好的单人体解析效果。（3）基于注意力机制实现的JPPNet＿cbam与JPPNet＿cab模型,能够同时实现人体解析功能和人体姿态估计功能。而人体姿态估计功能是通过预测一组人体结构关键点实现的。为了探究模型中单人体解析任务与人体结构关键点预测任务之间关系。本文为人体解析损失函数和人体结构点损失函数设置了多组权重系数,通过实验结果验证了模型实现良好的人体姿态估计结果能够帮助模型更好地学习人体结构信息。（4）本文认为人体边缘预测与人体解析存在着边缘一致性。因此,本文基于多任务学习的研究思路设计与实现了人体边缘感知模块,并将其融入JPPNet＿cbam模型中,并通过实验结果分析不同损失函数以及不同的权重系数分配对模型进行人体边缘检测的影响。同时通过实验结果验证人体边缘检测任务对单人体解析任务存在着优化效果。