在智能监控、图像检索、智能人机交互、增强现实等众多计算机视觉领域的场合中,人类活动通常都备受关注,对人体姿态的估计已经成为了一个必不可少的环节,有着迫切的应用需求,也是计算机视觉领域中一个非常热门的研究方向。人体姿态估计是指从静态图像或序列图像中检测出人体的部分以及人体各部位的位置。由于人体具有差异性和灵活的柔韧性,人体任何一个部位发生细微的变化都会产生一种新的姿态。与此同时,其骨骼关键点的可见性受姿势、视角、遮挡、背景等影响。近年来,卷积神经网络在视觉任务中的效果显著。因此基于卷积神经网络的人体姿态估计的研究不仅是计算机视觉领域中的一个极具挑战性的课题,也具有着重要的意义。本文是在深度卷积神经网络结构的基础上,对静态图像中的人体姿态进行研究。首先,与大多数的自顶向下或自底向上的研究方法不同,为了提高人体目标检测的准确度,本文在整体上采用的是自顶向下的研究方法,借鉴Mask R-CNN结构对图像中的人体进行目标检测,并结合关键点掩膜训练出人体关键点。其次,为了提高骨骼关键点估计的准确度,借鉴了PersonLab(用于自底向上的人体姿态估计)的研究方法,加强了骨骼关键点之间约束,以提高关键点预测的准确度。最后,将关键点约束融入关键点初步估计中,与人体目标检测结果一起输出得到最终人体姿态估计的结果。在实验过程中,本文首先在CrowdHuman数据集上进行了人体目标检测的实验,验证了本文网络框架在目标检测上的可行性。但该数据集不涉及关键点信息,在此基础上,本文在目标数量更大的MSCOCO数据集上进行了人体关键点的消融实验,并对比了不同CNN结构的研究方法在该数据集中的实验结果。实验结果表明,在静态图片中,即使是在复杂场景内、人群拥挤的情况下,该方法依然能进一步提高对人体姿态估计的准确度。