三维人体形状和姿态估计是计算机视觉领域研究人体行为的重要方式。近年来,随着深度学习和计算机视觉的不断融合,基于深度学习的三维人体姿态估计方法也得到了广泛的关注与研究。三维人体姿态估计主要研究根据输入图片估计出对应人体姿态,尽管目前三维人体姿态估计方法已经取得了长足的进步,但其仍面临着一些严峻的挑战。首先,目前大多数三维人体姿态估计方法都使用RGB图像作为输入,但由于RGB图像缺少空间信息,导致从RGB图像恢复三维人体本身是个不适定（ill-posed）问题。其次,三维人体姿态数据集较为稀少,且标注较为困难,给深度神经网络的训练带来了麻烦。此外,目前绝大多数基于参数模型的方法都仅能恢复人体姿态和形状,而忽视了人体表面的细节。最后,如何提高序列姿态估计结果的稳定性也是三维人体姿态估计领域的一个重要课题。本文针对三维人体姿态估计方法的以上现状进行了探索,主要工作如下。（1）提出了一种基于深度图像的三维人体姿态估计方法。该方法使用带有空间信息的深度图像代替RGB图像,解决了网络输入缺少空间信息的问题。本方法通过三维人体关节估计网络显式地为网络提供人体姿势信息,并使用空间注意力特征提取器对原始特征进行优化,通过使用人体模型参数回归网络回归人体姿态参数。本方法使用合成数据进行训练,并提出了一种基于弱监督的网络微调方法,提高了网络在真实数据上的表现,从而缓解了三维人体姿态数据集缺失的问题。实验结果表明,本方法在SURREAL,Human3.6M,DFAUST数据集上相较于对比方法取得了更好的人体姿态估计性能。（2）提出了一种基于深度图像的三维人体姿态细节估计方法。该方法将人体参数估计任务进行分解,网络通过三维人体关节估计网络和稠密对应关系估计网络为网络显式地提取人体姿态信息,使用形状参数估计网络和姿势参数估计网络分别估计形状参数和姿势参数。为了恢复人体表面细节,本方法使用人体细节估计网络估计人体参数模型和人体细节模型之间的残差,并将该残差以UV图谱的形式表示。在SURREAL,Human3.6M,DFAUST数据集的测试结果表明,本方法提升了人体姿态估计的性能。同时,本方法在CAPE数据集上取得了较好的人体表面细节恢复性能。（3）提出了一种基于几何约束的序列三维人体姿态估计方法。该方法基于人体运动时的几何特性提出了三维人体骨架约束、三维人体形状参数约束和三维人体模型顶点约束,通过在网络的序列输出上进行约束,有效地提高了网络在序列输出上的稳定性和平滑性。实验表明,使用几何约束训练后的网络在形状参数的稳定性和人体姿势的平滑性上都有显著地提高。