近些年,随着深度学习领域的蓬勃发展,作为计算机视觉任务一大研究热点的人体姿态估计在人机交互、动作识别、虚拟现实和自动驾驶等领域应用广泛,其主要任务是检测出给定的图像或视频中人体的关键部位（如肘部、膝盖等）,输出能正确对关节点连接的人体全局信息。对人体姿态估计的研究有助于人们理解图像或视频中的人的行为。完整的姿态估计处理主要包括数据处理、设计合适的网络结构和基于关键点热图的编解码过程。近年来人们的研究工作主要放在设计网络结构上却忽视了对数据处理和关键点编解码的研究。而人体姿态估计任务的评估特性是基于真值标签和预测的关键点位置之间的偏差来确定的。因此相比于分类、目标检测和语义分割等任务人体姿态估计对数据处理的方法更加敏感。所以,人体姿态估计归根到底是一个定位任务,不论是串行多尺度融合网络、转置卷积方法、还是始终维持高分辨率的并行多分辨率融合方法。其目的都是要在姿态估计网络处理过程中得到高分辨率的关键点位置特征表示。本文主要研究内容不在设计具体的网络结构,而是根据通用的数据增强处理时存在翻转误差、对姿态估计网络输出的关键点热图解码成坐标时存在经验设计偏差等问题对HRNet进行了改进。该方法基于模型无关,即插即用,可以用于提升现有方法的关键点定位精度。整体的主干网络结构采用目前表现最好的（state-of-the-art）并行高分辨率融合网络HRNet,在两个基准数据集COCO数据集和MPII数据集上验证了本文方法的有效性,实验表明我们的方法有效的提升了人体姿态估计模型的精度。具体地:（1）用表示相邻两像素间大小的单位长度替换之前用像素方法来测量图像的大小,因为零也会占用一个像素,当对图片水平翻转时最终预测结果和原图像中的关键点没有对齐,会有一像素偏差。而像素偏差对最终关键点检测精度往往影响巨大。（2）图像分辨率的变化会对最终关键点的估计带来量化误差。现有的解决方法是在关键点热图最大响应处向第二大响应处移动1/4的距离以抵消分辨率变化带来的偏差。本文利用在关键点热图最大响应处泰勒展开的解码方法对使用手工设计消除量化误差的方法进行改进。