人体姿态估计作为计算机视觉领域中的主要研究分支,在工业视觉检测、安防监控、机器人辅助设计、医疗辅助分析、行为识别和电影后期制作等诸多方面工作中有广泛的应用。随着人工智能和卷积神经网络的越发流行,对于采用卷积神经网络作为模型的主要构建单元的人体姿态估计方法在性能上也取得了重大进展。不过现有方法的网络模型仍有较多局限性,比如在多人场景中目标尺度不一的情况下,中远距离的目标尺度较小导致姿态估计效果不佳。此外,复杂背景和遮挡等原因也会造成的困难人体关节的定位精度较低,解决这些不足已经成为了现在人体姿态估计方法研究中的关键问题。本文将围绕人体姿态估计问题展开详细介绍,并研究在生活场景中的实时姿态识别等应用问题。（1）针对现有人体姿态估计方法中存在的问题,本文提出的网络模型是基于高分辨率网络和多人姿态解析网络的基础上加以改进完成的。本文提出了一种残差下采样模块用于下采样,弥补空间上的信息缺失,将高低分辨率特征进行更好的多尺度融合;同时使用了一种基于双注意力机制的网络学习指导策略,与残差下采样模块相结合以学习到更多有用的特征信息,进而有效提升困难关节的定位精度。另外,本文提出的融合残差下采样和双注意力机制的多人姿态估计网络模型在公开数据集上进行了测试。在MPII数据集的测试结果中,整体平均精度平均值达81.1%,困难关节达74.4%;同时,在MS COCO数据集上平均精度均值达到了70.5%,中等目标平均精度达到了67.7%。（2）针对现有安防监控设备提出了一种智能化改进方案,提出了一种实时姿态识别系统,系统程序中分别应用了人体姿态估计算法和基于骨骼点序列的动作分类算法。通过对自制异常姿态数据样本的训练和验证,并针对监控过程的实时性要求进行模型改进,实现在实际监控场景中的偷窃行为（异常姿态）识别。最后,对整个系统的功能进行了可视化验证和实验数据分析,符合预先设计需求。