人体姿态估计任务是计算机视觉任务的热点之一,主要包括对图像或者视频中的人体和人体关键点的准确定位,进而估计恢复出人体姿态的任务。在运动建模、监控安防、行为动作分析和人机互动等领域,人体姿态估计都具有广泛的应用价值。在实际生活中,受拥挤人群遮挡、光线因素变化以及各种复杂场景等的影响,人体姿态估计一直存在着一些普遍和典型的问题和挑战。基于这些问题和挑战,本文在学习总结了相关领域知识方法的基础上,利用深度学习神经网络,提出了相应的处理解决方式,具体研究工作如下:（1）针对目标检测结果在姿态估计网络的应用效果不佳的问题,提出了一种基于对称空间变换的多人姿态估计方法。该方法利用空间变换的人体姿态估计网络,在网络的目标检测输出阶段添加空间变换模块,实现从不准确的人体候选框中提取高质量的单人姿态区域的目的,从而提高目标检测网络的性能,进而使单人姿态估计网络能够得到高质量的候选框,使得网络最终能够得到更好的人体关键点结果。利用上述方法,可以解决目标检测算法结果于姿态估计网络应用效果不佳的问题,同时,通过在MPII数据集和MS COCO数据集上的实验结果,验证了所提出的算法在提高候选区域框质量,提高网络整体性能的有效性和竞争力。（2）针对拥挤人群状态下人体检测困难的问题,提出了一种基于KM算法的多人姿态估计方法。该方法在目标检测和单人姿态估计网络输出结果后,通过优化损失函数,生成人体-关键点图,利用KM匹配算法,将关键点预测问题转化为求解人体-关键点图的最优匹配问题,最后通过进行算法匹配,解决拥挤人群状态下关键点错判、漏检等问题。最后通过实验验证,证明了上述方法可以提高拥挤人群状态下多人姿态估计网络的性能。（3）针对多人姿态估计网络模型复杂,运算时间长的问题,提出了一种基于MobileNet的轻量化多人姿态估计方法。该方法利用MobileNet网络轻量化的特点,在方法一的网络结构基础上,通过使用深度分离卷积和倒残差模型来降低网络的复杂度,从而在平衡算法准确率的同时提高算法的运行速度。最后通过对比实验验证了算法的有效性和竞争力。