2D人体姿态估计是计算机视觉中的基础但是又具有挑战性的问题。姿态估计的目的是定位出人体的二维平面的关键关节点的坐标（例如:头部,肩膀,脚踝等等）。它有非常多的运用,例如:行为识别、游戏娱乐、电影姿态捕捉、人再识别等等。人体姿态估计是一个早在上个世纪70年代就开始研究的课题,但是人体姿态估计一直难以达到可以应用的水平。随着大规模数据集Image Net以及卷积神经网络Alex Net等的兴起,卷积神经网络和姿态估计相结合,这时候姿态估计的才真正具有一定的可以应用水平。但是,目前的最前沿的方法往往需要很宽和很深的卷积网络,这带来了巨大的参数和巨大的浮点数运算。虽然这些方法有很高的正确率,但是一个主要的缺点是,这种巨大的模型往往在推理中非常耗时,使得这些模型比较难地在移动设备或者其它小功率嵌入式设备中布置。本文的重点在于设计一个轻量级的人体姿态估计网络,这个网络的运算量和参数量都比较小,同时正确率也不会大幅度下降。本文的主要工作总结如下所示。（1）设计了多种量级的人体姿态估计网络。其中最轻的姿态估计网络所需的每秒浮点运算数（FLOPS）仅为0.64G。其中的一款轻量级网络在MPII数据集上与最先进的网络（SOTA）相比有着更少的运算量以及更高的准确率。（2）网络整体结构是由多个编码器和解码器重复堆叠而成,更具体而言里面包括了以下结构:特征提取（下采样）、恢复分辨率（上采样）。整个网络结构通过多次地特征提取以及恢复分辨率来提取多维度的特征。（3）使用了适合轻量级网络的Mobile Net V2作为网络结构中的特征提取模块.（4）本文最大的创新点在于使用了像素混洗（Pixel shuffle）作为网络结构的恢复分辨率的模块。这结构替代转置卷积作为解码器,这操作相对传统的解码器结构可以减少一半的参数量。本文用了详细的公式推倒阐述了这种替代是合适的。（5）为了使网络可以加速收敛,减少梯度消失等问题,使用了网络的跳跃结构以及网络的中继监督的方法来保证训练的稳定。（6）对本文提出的创新网络结构进行实验,通过数据证明每一个结构都有其设计的考量。通过实验,可以证明提出的结构在参数量、运算量、准确率、收敛速度都做了不错的平衡。另外,还比较了学术上常用的模型压缩方法,例如:网络剪枝、低秩近似、网络蒸馏技术,证明了本论文相对于直接对成熟的网络进行粗暴的压缩在参数量和准确率上都有优势。