人体姿态估计是从图像或视频信息中获取人体各个关节部位具体位置的过程,目前已被广泛应用到人机交互、视频监控、虚拟现实等领域。基于彩色图像的人体姿态估计算法容易受到颜色、环境等因素的影响,而深度图像在人体着装、肤色和遮挡等影响下具有较好的鲁棒性,能够更好地适应复杂环境的挑战。本论文主要研究了基于深度图像的人体姿态估计方法,能够有效解决深度图像的噪声干扰、数据冗余等问题,从而提高人体姿态估计模型的预测精度。论文的主要工作包括:（1）针对深度图像含有大量非高斯噪声的问题,研究了一种面向深度人体姿态图像的层析去噪方法。首先依据直方图统计估计得到深度图像噪声强度和深度图像的探测距离范围确定图像的深度层级间隔,然后对每一层级的深度图像采用中值滤波进行去噪,最后对层析图像进行拼合并修复空洞,得到完整的去噪深度图像。通过在ITOP数据集上与其他去噪方法进行对比实验,验证了本文模型能够有效地去除深度图像中的非高斯噪声。（2）针对深度图像中人体信息提取不充分、特征存在冗余的问题,研究了一种深度图像特征融合模型。通过提取深度图像中人体的深度比较特征、BPOF特征和方向梯度特征,并以特征的信息熵、互信息作为评价准则进行特征融合,从而提升深度图像中人体信息表征能力,降低特征的冗余度。通过在ITOP数据集与其他特征融合方法进行对比实验,验证了本文模型能够有效地表征人体的关键信息并去除深度特征的冗余信息。（3）将本文所研究的层析去噪方法与深度图像特征融合模型应用于人体姿态估计,利用得到的融合特征进行网格划分,以流形高斯过程作为回归模型,从而实现人体的关节点信息的预测。通过ITOP数据集进行模型验证实验,结果表明本文的模型能够有效利用深度图像的深度信息,提高了人体姿态估计的准确性;同时基于流形高斯过程回归模型的人体姿态估计算法相比于随机森林、支持向量机和标准高斯过程等,在灵活度较高的人体关节部位具有更高的预测精度。