以人为中心的图像分析技术有着重要的研究意义和广泛的应用价值,例如智能安防、虚拟试衣、行人重识别等。本文主要以人体精确解析为主题,重点围绕人体解析和人体姿态估计开展研究。主要研究工作和创新成果如下:人体解析旨在将人体图像分割成多个具有细粒度语义的部件区域,进而形成对人体图像的语义理解。然而由于人体姿态的复杂性,现有的人体解析算法容易对人体四肢部件形成误判,且对于小目标区域的分割不够精确。针对上述问题,本文联合人体姿态估计信息,提出了一种人体精确解析的双分支网络模型。该模型首先使用基干网络表征人体图像,将人体姿态估计模型预测到的姿态先验作为基干网络的注意力信息,进而形成人体结构先验驱动的多尺度特征表达,并将提取的特征分别输入至全卷积网络解析分支与检测解析分支。全卷积网络解析分支获得全局分割结果,检测解析分支更关注小尺度目标的检测与分割,融合两个分支的预测信息可获得更为精确的分割结果。在当前主流的人体解析数据集LIP和ATR上的实验结果验证了该方法的有效性。如上所述,人体姿态估计与人体解析任务具有较大的相关度。为了提高模型的精度,现有的大部分研究都是通过设计复杂的深度网络模型,并且只关于姿态估计或者人体解析的任务。为了更好的适用于实际应用,在兼顾模型精度与计算复杂度的同时,提出了一种联合人体解析与姿态估计的轻量化网络模型,该模型能够同时实现人体部件的分割与骨骼关键点定位。首先,使用本文提出的轻量级姿态估计模型和轻量级人体解析模型,提取适应于相应任务的特征;其次,联合二者模型提取的特征,使用优化网络分别获得精确的分割与姿态结果。在设计轻量级姿态估计模型时,提出一种轻量级瓶颈结构,大大降低了参数量。最后,基于提出的轻量模型,设计了一个人体解析与姿态估计原型系统。