三维人体姿态估计是计算机视觉领域的热门研究问题之一,其在人机交互、动画制作、视频监控等方面有着非常广阔的应用前景。本文主要研究面向自然场景的三维人体姿态估计问题,即对单视角自然场景图像计算其中目标人体各关节的三维坐标,从而恢复人体的三维姿态。目前对该问题的研究存在两大难点:第一,从单视角二维图像恢复三维人体姿态存在不准确性。单视角图像损失了大量的深度信息,使得从二维到三维的变换存在高度非线性;第二,缺少自然场景下的三维人体姿态数据集。常用的三维人体姿态数据集是在背景单一的实验室场景中获取的,以此训练的模型泛化能力不强,不能很好地应用于背景复杂多样的自然场景图像。本文以一种弱监督迁移学习方法训练的模型作为基准模型,研究如何提高三维人体姿态估计模型对于自然场景图像的估计准确度和泛化能力。针对目前存在的两大研究难点,本文分别展开了以下两方面的工作:（1）提出了基于注意力机制与姿态校准的三维人体姿态估计模型,以提高姿态估计的准确度。首先,本文对基准模型引入注意力机制,通过基于注意力机制的通道权重学习算法,来增强模型对单视角图像的深度信息解析能力,进而达到更好地回归各关节的深度坐标的目的;其次,本文采用多尺度三维人体姿态校准网络,从不同尺度构建人体骨架模型,从而自适应地学习人体的结构特点和运动特点,达到校准模型估计结果的目的。该模型相较于基准模型在Human3.6M测试集上的平均关节位置误差（MPJPE）降低了3.28mm。（2）提出了基于贝叶斯网络获取具有高质量标签的自然场景三维人体姿态数据集的方法,以提高模型在自然场景下的泛化能力。本文将若干现有模型对于实验室场景数据集的估计结果作为弱标签,结合真实标签,使用提出的三维人体姿态贝叶斯网络模型来学习它们之间的依赖关系,从而能够修正各个模型对于给定自然场景图像集的估计结果,以获取具有高质量标签的自然场景数据集,并以此微调（fine-tune）基准模型。在自然场景二维人体姿态数据集LSP和MPII上的实验结果表明微调后的模型对于自然场景图像具有更强的泛化能力。