人体姿态估计和步态分析对骨科患者的康复管理有着非常重要的意义,例如卡伦（Computer Assisted Rehabilitation Environment,CAREN）系统可以通过多种传感器捕捉患者在进行康复训练时的三维姿态并完成步态分析,从而对步态进行评估并提出针对性的训练计划,对骨科患者的步行能力恢复有着非常重要的作用。但是,这种基于标记点的系统也存在着很多限制,例如需要人工标记关节点的位置,非常耗费时间,并且标记点会一定程度上干扰患者的运动姿态。而基于视觉的姿态估计方法有着成本低、速度快和不会干扰患者运动的优点,非常适合用于该任务。尽管目前各种基于视觉的二维和三维人体姿态估计方法都取得了很好的性能,但是它们在卡伦系统特定的环境下性能还是很有限。为了解决这些问题,本文提出了一种改进的网络框架,使用多视角视频输入为卡伦系统的康复患者进行精确的二维和三维姿态估计。首先,为了估计视频每帧中人体的二维姿态,本文提出了一种由粗到细的热力图内核收缩训练策略,在训练过程中逐渐减小关节点热力图的内核尺寸以逐渐精确定位关节点位置。其次,为了进一步获得三维姿态估计,本文提出了一种多视角和多时刻信息融合的时间和空间信息感知网络,其中多视角早期融合策略可以使用来自不同视角的信息弥补单视角下身体遮挡导致的信息缺失,多时刻后期融合利用来自输入视频序列上关节点间的时间相关性信息以获得更高的空间定位精度。基于本文收集的225名卡伦系统骨科患者步行运动数据集上的实验结果表明,采用由粗到细的热力图内核收缩训练策略进行二维人体姿态估计精度PCKh@0.5达到99.85%,而2DPE仅有5.30像素,相比于使用固定热力图内核尺寸的方法减少了14.5%。时间和空间信息感知的三维人体姿态估计网络预测的MPJPE为25.22 mm,而3DPCK达到98.71%的高精度,优于现有的基于单视点和多视点视频的三维姿态估计方法。结果表明,本文所提出的系统能够以较高的精度估计人体姿态,并能根据预测的人体姿态精确计算出各种步态特征,为患者提供精确的步态分析,本文的方法可以适用于临床应用中的步态分析。该研究为基于视觉的姿态估计系统的康复患者定量步态分析奠定了基础。