以人体为中心的研究在计算机视觉领域是重要研究方向,从二维姿态至人体形状生成被广泛应用在相关领域,如人体姿态识别,人机交互,虚拟现实和运动捕捉等等。本文基于SMPL模型,对直接从三维姿态至人体形状、二维姿态至人体形状进行了探究,在此基础上本文对从单张自然图像中生成人体形状进行了探究,以及从多视角轮廓图像中对人体形状生成进行了探究。本文的主要工作内容可以概括如下:（1）本文在第三章对从三维/二维姿态至人体形状进行了探究。因为缺乏体型信息,从三维姿态至人体形状本质上是一个一对多的映射,通过体型和姿态先验的约束可以获得一个一对一的映射,本文使用自监督的神经网络方法和基于逆向计算的优化方法进行实现。从二维姿态至人体形状的生成,困难的地方在于深度信息缺失使得姿态具有不确定性。本文提出一种关键点之间的二值化相对深度关系表示方法,通过该方法对关键点之间的深度信息进行二分类,将原始连续深度空间变为离散空间,通过使用分类方法能够容易学习到图像中人体关键点的相对深度。通过添加相对深度信息作为深度信息的补充以及轮廓信息对人体体型信息的补充,实现从二维姿态至人体形状的映射,并使用基于神经网络的算法和视角搜索的优化算法分别进行了实现。（2）第四章使用基于生成对抗网络的方法对自然场景下的人体进行生成,本文提出一种二阶段的人体形状生成算法结构,使用神经网络从图像中提取二维姿态和分割信息,并预测二维姿态对应的相对深度信息和人体距离相机位置,最后使用基于生成对抗网络生成人体形状。针对二维图像具有的不确定性,通过对人体相对深度信息进行扩展,通过优化算法进行优化得到多种不同的人体形状,最后通过基于神经网络的选择器选择出适合图像的人体形状。据我们所知,这是第一个从单张图像生成多种人体形状假设的工作。（3）第五章中为获得更加准确的人体形状,为后续实际应用打下基础,对多视角图像进行了人体形状生成。本文为了解决实验室场景与自然场景的不同,只使用三视角轮廓信息作为原始信息,通过神经网络获得初始的人体形状,使用优化算法将人体形状与输入轮廓进行进一步的拟合获得更准确的效果。