随着互联网在世界范围内的快速普及以及海量图像和视频数据的日益增加,如何利用人体分析相关的智能算法处理这些数据已经成为互联网向智能化方向转变的关键。本文研究的单人体姿态估计任务是各种人类行为分析任务的基础,其主要目标是检测人体的姿态,而人体关节具有极大的自由度,且在实际场景中极易被自身或者其他物品遮挡,因此需要更鲁棒的人体姿态检测算法。目前,单人姿态估计任务多数是基于卷积神经网络来提升人体姿态检测的准确性,由于其隐式学习的过程可解释低,导致人体姿态估计算法易出现不符合人体拓扑结构的检测结果。本文针对上述问题提出了一种基于全局特征信息引导的单人姿态估计方法,该方法在保持算法轻量化的同时,有效地提升了人体姿态检测的准确性。另外,针对实际场景应用困难的问题,本文提出了一种基于姿态相似性的动作检测算法。因此本文工作主要围绕以下两个方面来完成:首先,本文针对人体姿态估计模型缺乏领域信息引导,而出现不符合人体拓扑结构的检测结果的问题,提出了一种基于全局特征信息引导的单人姿态估计方法。该方法利用卷积网络深层特征符合某种抽象语义信息的特点,设计了全局人体拓扑结构的监督模块,以实现对人体拓扑结构的显式建模。同时利用全局特征信息和注意力机制引导浅层的特征的方式抑制不符合人体拓扑结构的检测结果,最终实现了准确预测人体关节点的效果。另外,本文针对单人姿态估计任务中的遮挡问题,提出了一种基于人体姿态相似性算法的网络学习方法,该方法主要思想为利用相似姿态中简单样本帮助困难样本预测被遮挡的关节点。实验表明,该方法能有效对困难的关节点进行合理地推理,同时也提高了单人姿态估计模型的准确率和泛化性能。其次,针对人体姿态估计任务在实际场景应用困难的问题,本文提出了一种针对特定场景下基于人体姿态相似性算法的动作检测方法,并应用在实际产线场景中的工序动作分割任务上,该方法面向的是视角没有太大变化且相对固定的场景,同时利用关节点坐标和关节角度信息来加强姿态相似性算法的通用性,在具有连续姿态的视频动作序列上,有效解决了因姿态连续导致人体姿态一部分过于相似而引起错检漏检的问题,取得了不错的实际效果。综上所述,本文提出的基于全局特征信息引导的单人姿态估计网络以及基于人体姿态相似性的网络学习方法能够有效提升检测人体姿态估计的效果,并且在实际场景中的应用也具有良好的效果,具有重要的研究意义和实际场景的应用价值。