3D人体姿态估计是通过图片或视频,预估人体在三维空间下的完整姿态。由于当前应用范围不断地增加（例如游戏、视频分析、运动分析）,3D人体姿态估计,逐渐成为视觉热门的研究方向。近年来,随着深度神经网络在众多领域都取得了显著的效果,3D人体姿态任务也逐渐从传统方式蜕变到深度学习的模式当中。目前姿态估计的研究大多采用过深的卷积神经网络,尽管在该方式下网络模型的准确度得到提升,但这也许会导致网络中存在大量冗余参数和无效的计算过程,无法适用于设备内存空间有限且需要及时反馈的场景。所以本文针对上述的问题,在深度学习的框架下,对网络结构进行了改进,以使网络具备轻量、准确的特性,具体内容如下:1.针对网络模型内可能存有过多的冗余参数,本文采取构造紧凑型网络的思想,将初始网络模型密集的全连接层按照一定比例构造成单一沙漏状,在模型压缩上做了初步的探索。并且基于Densenet的优点,参照其结构,进行一定的变形,剔除了部分卷积操作,保留多层信息传递的特性,让有效信息持续对网络进行正向引导,从而让关节点误差有效下降。2.本文在网络中通过采用不同的尺度层,以便其更好地预测不同关节点的位置信息,同时还削减了 baseline网络中大约75%的无用参数。在同尺度的网络层之间,根据融合方式恒等映射的特性,将信息进行融合操作,并且不同尺度层之间预测的关节信息对于其他关节信息具有指导作用,在两种方式的结合下,整个网络产生叠加效益,提升了网络模型的准确率,在Human3.6M人体姿态估计数据集上取得了良好的效果。3.对网络进行融合操作,有可能造成一部分有效信息的丢失。为了消除这种影响,本文在同尺度的网络层之间,将提取的主要信息在横向上进行拼接,不仅不会增加网络的深度,还能保障有效信息能够作为集体知识存于网络当中,及时向网络中输送一小组特征,有利于将网络中的信息流达到最大化。在最终的输出上,为了让局部信息得到加强,起到适度指导网络的作用,从而将其与同尺度的特征层进行叠加融合的方式。改进后的网络结构将参数进一步削减了 22%,并且依赖于有效信息的使用,准确率也得到提升。