随着人类行为及意图分析在人工智能领域重要性的提高,头部姿态估计逐渐成为一个热门的研究课题,各种各样的方法也被提出以提高头部姿态估计的精度。但是,目前头部姿态估计领域仍存在一些未被解决的问题。被广泛使用的方法比如基于3D头部模型的方法或者基于分类与回归的方法,不能体现头部姿态变化的连续性。而且现有数据集未能包含现实中全部头部姿态,绝大多数数据集要么缺少部分头部姿态样本,要么部分头部姿态样本过少。根据对现有头部姿态估计方法进行总结分析,本文做出了以下贡献:第一,本文使用标签分布取代单标签为头部姿态三个姿态角标注,并提出了平滑性损失。本文使用高斯分布将单个标签转换成标签分布,高斯标签分布的连续分布特点正好契合头部姿态连续变化的特点。此外,基于高斯标签分布的平滑性损失可以学习具有相近姿态角标签的样本,并帮助某些样本数量较少的角度学习准确的标签分布。第二,本文对Kappa系数加以改进以评估预测标签分布与真实标签分布的一致性,并且基于改进的加权Kappa系数提出了一致性损失。此外,本文针对错误程度不同的预测标签给予了不同程度的惩罚,这能使得预测标签倾向于多个相近的角度而不是单一角度,进一步使预测标签分布更加接近真实标签分布。第三,本文将残差学习的思想运用到注意力机制,搭建了多级通道空间残差注意力网络,并构建了头部姿态估计新框架。多级通道空间残差注意力网络以残差连接的方式,在Res Net-50网络各个层次加入通道空间联合注意力,这样做既保留了特征信息又增加了特征鉴别性。通道空间联合注意力模块,顾名思义,从通道和空间两个维度关注局部信息。其中,通道子模块使用深度卷积独立地对每个通道进行加权,空间子模块使用最大池化和平均池化聚合空间信息,且结合通道分组策略来获取不同语义的子特征。最后,本文提出的头部姿态估计框架在具有挑战性的AFLW2000和BIWI两个数据集上取得了先进的结果。