深度学习从面世至今已经成为了互联网大数据和人工智能的一大热潮。以越来越深的结构和越来越复杂的连接方式构成的模型在各大深度学习课题上展现出了强大的性能。然而硬件计算资源的增长速度却无法满足模型规模和计算量的爆炸式增长。因此,如何合理地设计网络结构、提高计算效率是深度学习当前的一个重要研究方向。对于特定领域的问题,可以将领域相关知识集成到算法或者网络结构中,这为设计高效算法提供了启发。本文基于这个出发点,沿检测、分类、定位的研究路线,针对人体骨骼分析中目标检测、图像分类、关键点定位三个重要组成部分展开研究。针对目标检测穷举感兴趣区域特征的问题,在压缩模型算量的基础上,集成目标形状、大小等先验知识到算法中并利用扩展数据范围手段充分提高模型性能。针对图像分类中过于依赖深度神经网络黑盒特征提取能力的问题,集成人类层次语义知识构建树形神经网络,并基于树形结构设计算法提高准确率、实现快速推理。针对关键点定位中过度依赖复杂连接的堆叠模型的问题,在减少卷积复杂度的基础上,使用人体骨骼空间中的关系共同训练二维三维关键点数据,增强模型泛化能力,提高准确率。针对各个任务,本文在相关主流数据集上进行实验验证,所提出的算法均能在准确率上保持或优于现有主流方法,并且明显减少了算法耗时。实验结果表明,深度卷积神经网络能够结合相关领域知识高效化训练和推理过程,算法对不同计算场景的适应能力得到了提升,应用场景得到了进一步的扩展。