近年来,为了推动行为检测识别的应用研究发展,许多专家学者投入人体姿态识别技术的研究。传统的体态检测方法包括特征融合、代数计算、模糊模式算法、OS-KELM算法等,这些方法难以应对人体识别中出现的角度变化以及尺度变化等情形。再后来提出了一些经典的深度学习模型,比如Simple Baseline、CPN（Cascaded Pyramid Network）、SHN（Stacked Hourglass Network）、Dense Pose等,这些模型虽然都能表现出较好的识别效果,但仍然存在着检测精度不足,检测周期过长以及模型参数规模过大等问题,因此本文提出了一种新的体态识别模型——KP-Detector。具体内容如下:（1）针对人体姿态识别中关节点连接不精确的问题,提出改进的PLF（Point Line Fields）匹配方法做关节点连接。传统的关节点连接技术是根据检测到的置信度最接近的两个关节点进行连接匹配的,这样的连接方式会随着某一个关节点检测结果出错,导致得到的肢体发生较大的偏移,而本文使用了指数-对数非线性化改进后的PLF方法解决了这种问题,增加了关节点之间的方向信息,对肢体上的每个点的权重都做了非线性映射放大隐藏信息,使得匹配结果更精确。（2）针对识别网络易产生梯度消失以及参数过多的问题,提出残差块间的Dense连接方案。在关节点定位模块部分使用了4块重结构,在肢体置信度模块使用了2块重结构,两种模块的不同重结构之间都是以Dense形式连接在一起的,所有输出都经过权重与输入相连。这样保证后面的重结构可以充分利用到前面重结构的信息,实现参数的共享,减少了模型的复杂度,提高模型检测速度且缓解了模型的梯度消失问题。实验结果显示本模型的检测精度优于对比模型,测试速度较其他模型快近4FPS,模型大小只有18M。说明使用本模型相比于其他模型性能更加优异,验证了本文提出的Dense连接机制、PLF匹配方法应用在模型中的优越性。