人体姿态估计是研究定位图像或视频中人的关键点（关节点）,并连接相邻关联关键点的技术。姿态多样、光照变化和环境遮挡等是影响人体姿态估计精度的主要因素。提高人体姿态估计质量在实践中有迫切的应用需要。本文重点围绕基于深度学习的复杂人体姿态估计问题展开研究。在深入研究现有基于深度学习的人体姿态估计方法的基础上,提出一个新的关键点关联约束的复杂人体姿态估计网络KACNet。该网络充分考虑了人体相邻关键点之间的关联关系,并利用该关联关系辅助预测关键点。提出了关键点关联约束的级联沙漏复杂人体姿态估计网络SH-KACNet。该网络利用关键点关联关系约束级联沙漏通道实现关键点预测。实验结果表明,KACNet和SH-KACNet方法不仅能够准确地定位和连接复杂姿态的关键点,且鲁棒性好。本文工作主要体现在以下四个方面:（1）学习了基于模型和基于整体特征的传统人体姿态估计方法。深入研究了几种具有代表性和最新的基于深度学习的人体姿态估计方法,并数值实现。指出复杂人体姿态估计问题面临的挑战,及其在实践应用中具有的重要价值。（2）提出一个新的关键点关联约束的复杂人体姿态估计网络KACNet,该网络由两个通道及一个融合模块组成。KACNet网络的级联卷积通道在距离损失函数的约束下学习获得关键点位置和置信度信息;关键点关联约束通道在关联损失函数的约束下学习获得符合人体生理特征的关键点关联关系;融合模块在加权损失函数的约束下融合关键点位置、置信度及关键点关联关系获得复杂人体姿态。大量公共数据集和Internet数据测试的实验结果表明,KACNet网络能够有效抑制背景干扰,提高复杂人体姿态关键点的估计精度,鲁棒性好。（3）提出关键点关联约束的级联沙漏复杂人体姿态估计网络SH-KACNet。SH-KACNet网络相比于KACNet网络,其关键点关联约束通道额外获取了关键点类别标签,该标签有助于提高级联沙漏通道的预测精度。（4）增强LSP数据集,构建了适合训练复杂人体姿态网络的增强数据集EN-LSP。改进MS COCO数据集专用的评价指标OKS,设计了不依赖数据集的评价方法OKSm。