近年来,随着高清视频采集设备在生活中的普及,单目相机的数据量得到了迅速的增长。如何处理这些数据,从中获得有价值的信息,是计算机视觉领域的一个重要问题。数据中的人物姿态与行为,因其具有巨大的潜在商业价值,成为研究者重点关注的对象之一。近年来随着深度卷积神经网络在多个计算机视觉任务上取得的突破,行人检测、人体姿态估计、动作识别等与人相关的任务也受到越来越广泛的关注。本文聚焦于单目彩色图像数据中的二维人体姿态估计与三维人体姿态估计,以及二维人体姿态估计在行人动作识别任务中的应用,主要研究内容如下:（1）提出了一种结合人体语义解析信息的二维人体姿态估计方法。在复杂场景下进行人体姿态估计仍然是一项具有挑战性的任务。作为一项与人体姿态估计密切相关的任务,人体语义解析能够为姿态估计提供非常有价值的信息,以帮助姿态估计模型提升性能。本文提出了一种由粗到精的双分支深度卷积神经网络模型,模型先通过两个神经网络分支分别得到人体姿态和人体语义解析的粗糙预测结果,而后使用卷积神经网络对人体姿态信息和人体语义解析信息进行融合,得到更精细的预测。实验表明通过提取互补的有效特征,模型能够给出更准确的姿态估计结果。（2）提出了一种结合人体结构先验信息的三维人体姿态估计方法。利用强大的深度卷积神经网络,二维人体姿态估计取得了巨大的成功。然而三维人体姿态估计仍然是一项具有挑战性的任务,三维人体姿态估计任务的目标是从彩色图像中预测出目标人物的三维坐标。由于二维到三维映射具有歧义性,现有的方法往往无法准确预测三维坐标。本文使用一种由粗到精的模型来逐步预测三维坐标,同时结合人体的结构先验设计了约束以指导模型生成合理的预测结果。在Human3.6M数据集上的实验结果表明,本文提出的方法优于基准方法。（3）提出了一种由人体姿态引导的行人动作识别模型。行人是自动驾驶场景下的主要关注目标,识别行人动作对于自动驾驶有着重要的意义。本研究工作提出了行人动作识别的问题,并提出了用于行人动作识别的PARD数据集,为了解决这一问题,本文设计了一种使用多区域注意力机制的深度卷积神经网络模型来处理驾驶场景下的视频数据,并利用人体姿态估计的先验来丰富特征表示。实验结果表明,本文提出的方法在PARD数据集上的表现超过了P-3D、3D Resnet、LSTA等现有通用动作识别模型。