单目图像的三维人体姿态估计是计算机视觉中一项基本但富有挑战的任务,其目的是检测单目图像中的人体姿态并将其投影到三维空间中。随着科学技术的快速发展,三维视觉已成为人工智能研究和应用的热门领域,越来越多的专家学者投入到该领域的探索中。三维人体姿态估计精度一方面受图像外部遮挡、自遮挡和光线等因素影响,另一方面人体结构的特殊性也会给该问题的解决带来诸多困难。并且,如何将二维空间提升到三维空间本身是一个复杂的病态问题,深度数据缺失会导致一个二维坐标与多个三维坐标问题对应。目前已有的算法通常会对三维人体姿态进行整体回归,无法有效估计部分难度较高的关节点。针对三维人体姿态估计的难题,本文研究的重点是,在深度学习框架下利用人体拓扑结构信息来提高三维人体姿态估计效果,主要工作如下:（1）为了利用网络深层特征中包含的人体结构信息,本文提出了一个人体结构感知网络模型来进行三维人体姿态估计,通过由粗到精级联加深全连接网络深度的方式,扩大模型参数空间从而提高网络的非线性拟合能力。本文先利用“沙漏网络”检测、提取单目图像中人体的二维关节点坐标,其次通过“基本网络”将二维关节点坐标提升到三维空间中,再根据人体拓扑结构对人体关节点进行分组,最后将“优化网络”级联到“基本网络”对部分关节点进行调优。（2）考虑到人体关节点复杂度的差异性问题,本文还设计了一种精细化的层次上下文相关优化网络模型。该模型主要依据人体关节点的运动统计特征和估计难度将人体关节点划分为五类,并设计了对应的网络层,逐层推导关节点的三维坐标。为了缓解全连接神经网络层数过多导致的过拟合的问题,文章研究并探索了一种全新的随机增强模块,其在对特征进行适应性破坏的同时能够保留关节点之间的约束信息。由于多个子网络前向传播过程中可能会导致二维线索丢失,因此本文还设计了一种基于注意力机制的注意力模块来保证几何信息的有效传递。为了充分证明模型的有效性和可行性,本文在两个公开数据集Human3.6M和Human Eva上进行定量、定性实验。对比前沿的三维人体姿态估计方法,本文提出的模型方法均取得显著的效果,能够明显降低姿态估计误差。