计算机视觉在计算机研究和应用领域越来越热门,人体姿态识别是计算机视觉研究方面备受人们关注、感兴趣的一个研究分支。人们日常工作、学习的压力越来越大,同时随着网络教学的普及,坐着工作与学习的时间也越来越长,而长时间不当的坐姿学习与工作会引发近视、腰酸、驼背等疾病,因此,使用计算机技术研究人们的坐姿,并对不健康坐姿进行判断和提醒,对各个年龄的人群都有重要意义。考虑到检测方便,且检测时人不被影响,所以本文研究分析了图像处理方面,基于深度学习进行人体关键点检测的方法,重点研究了由下而上的关键点检测方法,使用CMU的Open Pose网络进行人体关键点检测。本文对Open Pose提取特征部分的网络进行了优化,优化后的模型参数量大幅下降,加速了网络的预测,并且最终检测准确率的降低在一个较小的范围内,同时添加了注意力机制,提高了检测的准确率。在得到人体关键点的基础上进行坐姿的识别分类,提出了坐姿识别分类的模型,针对单人坐在电脑前的坐姿,进行判断和分类,并对用户不健康的坐姿进行提示,引导其进行相应的纠正。本文对人体坐姿分为以下几类:头部左右倾斜、身体左右倾斜、斜视、高低肩、脖子前倾和托下巴。提出了多角度坐姿检测模型MSPD（Multi-angle Sitting Posture Detection Model）,该模型提高了检测的实用性,使人在电脑前不同位置观看时,也能比较准确的识别判断出坐姿并显示结果。综上,本文方法能有效检测和识别电脑使用者的坐姿状态,为多人场景保持良好坐姿提供了指导方向。本文涉及的关键技术包括基于自下而上的人体关键点检测、基于部分亲和力域的人体姿态估计和人体坐姿检测模型,本文通过设计实验进行了测试,通过本文提出的坐姿分类模型,分类的平均准确率可以达到90%以上,证明了其实用性。