人体关节点检测是计算机视觉中的基础问题,在行为识别、人机交互、行人再识别等领域有着广阔的应用前景。随着深度学习的兴起,人体关节点检测算法研究取得了较大进展,但是仍然存在一些问题:检测人体位置,剔除自然场景下的背景信息,降低人体关节点坐标检测难度;建立人体关节点关系模型,提高检测精度;兼顾模型精确度与模型计算量,提高模型实用性。本文围绕上述问题展开研究。检测人体位置,剔除无用背景信息以降低关节点检测难度。对现有算法优缺点进行分析比较,选择YOLO算法作为人体检测算法框架,通过融合DenseNet网络思想、加入inception模型和时空金字塔下采样层、对损失函数的目标物体边框进行归一化,改进YOLO算法的不足之处。通过对比实验,验证改进的YOLO算法可有效去除大部分无用背景信息,提高人体位置检测准确率。基于人体关节点检测建立关节点相互关系模型。针对现有算法因未考虑不同关节点检测难度不同导致检测准确度不能进一步提高的问题,提出一种基于关节点相互验证关系的人体关节点检测算法,将意识学习法和卷积神经网络相结合,采用先易后难的渐进方式进行关节点检测,利用所建多目标意识学习网络模型在LSP数据集和FLIC数据集上进行实验,并与其它模型进行对比分析。实验证明在两个数据集上模型都取得了较高的检测准确度,即所建模型可提高检测准确度。保证模型精度减少模型计算量,提高模型实用性。针对现有单人人体关节点检测算法模型参数量大的问题,提出基于尺度可调沙漏模块的多阶段回归人体关节点检测算法。利用尺度可调沙漏模块在各阶段构建分支网络,实现多尺度特征学习,保证模型精度、降低模型计算量。在MPII和LSP数据集上给出模型训练阶段和测试阶段的计算量、模型的参数量以及模型的精确度,证明所提模型可有效降低计算量并保证模型精确度。