人体姿态估计是计算机视觉中一个基础性任务,是人体解析、动作识别、姿态跟踪等一系列下游任务的基石,其目标在于识别并检测图片或视频中人体的关节位置。视频人体姿态估计目前已被广泛应用于安全防控、暴力与异常行为检测、人机交互、增强现实等领域,具有重要意义。然而,视频中频繁发生的视觉遮挡、运动模糊等情况,以及耗时耗力的大规模视频数据集标注问题,都极大地增加了该任务的挑战性。当前,很多研究聚焦于静态图片的人体姿态估计,这些方法依赖于当前帧的视觉特征,难以有效地利用视频帧间的时序信息,导致将其应用于视频时无法应对姿态遮挡、运动模糊等造成的视觉信息缺失问题,进而关节检测准确率大打折扣。同时,现有方法严重依赖密集标注的数据,对视频数据集标注工作欠缺考虑。因此,本文以基于时序一致性的视频人体姿态估计技术为研究主题,聚焦于以下两种视频人体姿态估计方法:（1）基于深度双向连续网络的人体姿态估计方法。根据视频帧间的时序连续性,本文选取前后双时序方向连续的视频帧作为辅助帧,提取时序一致性信息以提高当前帧的姿态估计精度。本文设计的深度双向连续网络包括三个子模块:时序姿态合并模块,根据多时刻关节位置信息生成每个关节的搜索范围;姿态残差融合模块,建模短期内的关节运动信息;基于多粒度可形变卷积的姿态矫正模块,指导模型根据运动信息在关节搜索范围中回归出最终的位置。（2）基于多流预测网络的人体姿态估计方法。鉴于现有方法严重依赖于当前帧视觉信息的弊端,本文构造了多流预测网络,在当前帧视觉检测结果的基础上,融入独立于当前帧视觉特征的双向姿态预测,以期对来源于视觉特征的检测结果实现较好的补充。进一步地,考虑到视频数据集标注难度大且成本高的问题,本文对该网络进行扩展,并应用于稀疏标注的视频场景中（每隔N帧给定标注信息）,在测试期间通过使用少量的标注帧高精度地预测出其他帧姿态信息,简化标注流程。实验结果显示,基于时序一致性的方法显著提升了视频中人体关键点检测精度,在多个视频姿态估计基准数据集上均优于现有方法。同时,将本文所提方法应用于稀疏标注视频场景时,在大时间间隔下依旧取得了很可观的精度。