现在大部分人体检测仅仅关注普通的直立姿态,但现实中的人体却呈现非常丰富的姿态(如弯曲的,躺着的,坐着的),研究困难姿态(多视角或者任意姿态)下的弱监督人体检测问题,不仅加大了人体检测的难度,而且令标注的工作更加困难,实际中通常只能获得弱标注样本。多示例学习方法放松了对精准标注的要求,因此常常被用来解决此类问题。本文在多示例框架下研究了弱监督任意姿态人体检测问题,有四点主要工作:(1)对多种多示例学习算法进行了实现和比较,并分析总结了所有算法的特点和适用情况,为多示例学习算法的使用提供参考;(2)认识到几个可能会对多示例检测性能产生影响的重要因素,例如,少量全监督信息的帮助,对正示例比例的较高需求等,这些因素有利于基于多示例学习的弱监督检测,但是在之前的文献中很少被研究;(3)第一个指出在弱监督学习环境下,当初始的示例层次检测器较弱并且训练正包中负示例数量较大时,一些常用的多示例学习打包工具(例如Noisy-OR和ISR)会遭遇梯度消失的问题,从而导致对训练样本极低效率的使用。因此,在这种情况下,提倡使用更加鲁棒和简单的最大池规则;(4)提出了一种新的选择性弱监督检测算法SWSD,并标注了一个新的大规模多姿态人体数据集LSP/MPII-MPHB,在这个数据集和其它著名的基准数据集上,证明了所提出的SWSD方法相对于目前最先进方法的优越性。