人体关键点检测是一种基于图像或视频定位人体各关节点的技术,在计算机视觉中的行为检测、行人重识别、行人行为预测和人机交互等领域有着十分广泛的应用。近些年来由于将深度学习引入到人体关键点检测领域,使得人体关键点检测的准确度和鲁棒性得到了大幅度的提高。但目前普遍的网络结构设计中大量堆叠了网络层数使得整体网络的参数量与计算量大幅度增加,越来越难以运用到实际运用中。本文针对上述问题,研究了卷积模块构成方法以及残差模块的结构,结合注意力机制重新设计了残差模块,在人体关键点检测准确度相差不大的情况下,有效降低了网络的参数量与计算量,较大程度地降低了网络运行所需要的计算代价与网络模型的存储空间。本文的主要工作总结如下:（1）介绍了轻量化模型改进方法、残差模块与瓶颈模块结构,针对深度卷积网络采用高分辨率表征导致的参数量过大、运算复杂度过高的问题,提出了两种轻量型基础网络模块为Gattneck模块与Gattblock模块,以HRNet（high-resolution network）为基础框架,构建出一种轻量型人体关键点检测网络GattNet（ghost-attention network）。通过引入线性变换生成冗余特征图与通道注意力机制对通道权重进行重分配,从而对HRNet进行轻量化改进,并在MS COCO（Microsoft Common Objects in Context）2017数据集上进行验证,实验结果表明所提出GattNet网络在保留精度的前提下有效降低了参数量与运算复杂度。（2）介绍了 Inception网络模块设计方法及其思路,以及经典的通道注意力模块SE模块。结合两种不同的设计思路设计出了 Inception注意力模块,在（1）的基础上将Inception注意力模块加入到GattNet网络的融合部分,增强在融合阶段对同一分辨率下的不同尺度特征的提取效果,实现在引入很少参数量情况下,使融合效果得以提高。最后在MS COCO 2017数据集上进行验证,实验结果表明,新提出网络在保持了与（1）相当参数量的基础上准确度得以提高,显著提高了融合模块的融合效果,在实现轻量化的基础上最终实现了准确度的提高,达到与先进网络相当的准确度。