三维人体姿态估计是计算机视觉领域中的热门课题。三维人体姿态估计可以作为人体姿态识别、人体跟踪、行为识别等任务的基础,同时在高级人机交互,智能监控等领域拥有广泛的应用前景。由于从单目图像预测三维空间信息是十分困难的,并且姿态图像存在着遮挡和视差等问题,使其非常具有挑战性。随着深度学习在多领域的成功应用,具有强大学习能力的深度神经网络也逐渐成为三维人体姿态估计任务的最佳选择。本文将基于深度学习,采用分阶段的方法预测单目图像的三维人体姿态,首先利用二维关节检测器获取人体二维姿态,然后从二维姿态回归三维姿态。本文在深度学习的框架下,通过设计合理的网络结构以及人体关节约束使网络学习人体动力学知识。实验结果表明,本文提出的方法在一定程度上避免了因遮挡等问题导致的预测误差,从而提升了三维人体姿态的预测精度。具体内容如下:（1）基于多阶段监督的时序卷积网络结构设计。由于通过单张图片预测三维人体姿态容易因关节遮挡等问题导致预测准确度较低。本文选择以序列图片代替单张图片进行三维人体姿态估计,将由二维人体姿态检测器获取的二维人体姿态序列作为网络模型的输入,通过时序卷积网络自主学习人体运动中所隐含的动力学知识,同时对网络增加多阶段监督,进一步提高了模型的精度。（2）基于人体关节约束的三维人体姿态估计。因为从二维图像恢复三维人体姿态本身是一个病态问题,需要引入更多的人体姿态知识作为监督信息,以提升姿态估计的准确度。因此,本文对上述网络模型的学习加入了人体动力学的约束信息,通过对人体关节点真实数据的分析,在深度模型损失函数中加入了几何约束,用于训练网络模型。通过对加入几何约束的模型的性能分析,验证了这种来自人体动力学知识的监督信息的有效性。