人体姿态估计是计算机视觉领域比较热门且具有一定挑战的研究方向,是人体姿态追踪、动作识别、行为理解等高级应用的研究基础,可广泛应用于医疗姿态矫正、娱乐人机交互、安防行为检测等实际场景中。人体姿态估计的算法优劣决定了后续拓展应用的性能好坏,因此探索并实现精确、高效、快速的人体姿态估计算法具有重要的研究价值与实用意义。尽管深度学习技术推动了人体姿态估计的研究进展,但在实际落地应用中,仍然存在一些有待解决的难题。一方面,由于近大远小的视觉原理,人体尺度多变导致不同大小关键点检测难度的失衡,提取小目标人体的关键点特征尤为困难;另一方面,遮挡问题在实际应用中普遍存在,但现有网络和算法在多人遮挡场景下的鲁棒性不高,缺乏针对性的解决方案。针对以上不足,本文从提升人体关键点网络检测精度、优化多人关键点分组匹配算法这两个角度展开研究,主要工作及创新点如下:（1）针对多尺度难题,本文基于注意力机制改进了现有的高分辨率网络。首先,为了充分挖掘小目标关键点的特征,设计了特征强化学习模型,并嵌入到基准网络中以提高高分辨率分支的表征学习能力;其次,针对现有高分辨率网络多尺度融合策略的不足,设计了注意力选择模型,通过自适应地调节不同尺度热图的融合权重,强化了多尺度特征信息的互补与交流。（2）针对挑战性较大的遮挡难题,本文基于人体骨骼特征的先验信息提出了多层级关联嵌入算法。首先,为了解决两人肢体遮挡带来的分组干扰问题,该算法通过显式模型约束,辅助网络更合理地挖掘出相邻关键点之间的隐式肢体联系,细化不同关键点的配对策略和肢体连接方案;其次,针对被遮挡关键点检测失败的问题,该算法联合可见关键点的特征和可见肢体的上下文信息,反向推理被遮挡关键点的空间位置。（3）本文联合注意力高分辨率网络和多层级关联嵌入算法构建了一套端到端的多人姿态估计方案,整体方案采用多分辨率监督策略训练网络检测关键点,借助多层级关联嵌入算法指导网络推理多人姿态。在MS COCO Keypoints Challenge和Crowd Pose数据集上,训练了整体模型并验证其性能,依据官方规定的评估指标,在MS COCO Keypoints Challenge数据集上,相较于基准网络,本文改进网络的平均、中小尺度和大尺度人群检测精度分别提升了0.8%、1.3%、1.0%;在Crowd Pose数据集上,本文改进算法在稀疏、拥挤、密集三种场景下的检测精度分别提升了2.2%、0.6%、1.5%,整体方案具备精度更高、鲁棒性更强、泛化性更好的优势。此外,相较于自顶向下方案,本文模型所采用的自底向上方案在检测速度上具有更大优势,具备了良好的快速测试和应用部署能力,可推广至移动端实时人体姿态估计的应用。