近年来，随着计算机视觉与深度成像设备的发展，人体三维姿态解析技术也取得了长足的进步，在许多领域展现出其应用价值。目前学术界公开的基于深度图的人体姿态解析数据库样本量有限、多样性不足。近年来比较经典的基于热力图回归以及3D深度学习的姿态解析算法也或多或少的存在一些自适应性不足、算法运行效率低的问题。针对这些问题，本文尝试提出一系列在知识迁移、算法效率及效果上的改进研究。
　　针对现有基于深度图的姿态解析公开数据库规模较小、多样性不足，且现有姿态解析算法存在的不能很好地利用大量标注RGB数据库的问题，本文提出一种基于跨模态信息迁移和多尺度局部回归的三维人体姿态解析方法，通过设法减小RGB图域和深度图域的域间差异，更好的利用大量的RGB数据，避免算法模型过拟合到有限的深度图样本中，很好的提升了算法的泛化能力。对于“由粗到精”的人体姿态解析多阶段回归算法中局部区域的大小选取问题，我们提出一种多尺度特征融合的方法，很好的利用到了多个尺度的局部子区域带来的互补特征，进一步提升了算法效果。
　　针对目前基于热力图回归存在的针对不同关节点缺乏自适应性、不能端到端训练的问题，以及3D的深度学习方法存在的运算耗时较高、训练资源占用高、预处理复杂等问题，本文提出一张基于多锚点集成回归的人体姿态解析方法，通过在输入图像上密集设立锚点，2DCNN进行特征提取，直接输出每一个锚点对于人体关节点的预测结果，最终集成所有锚点的结果得到输出。所提算法简单有效，运行效率高，可以端到端训练，且针对不同的关节点具有一定的自适应性与可解释性。
　　针对一般的模型集成算法存在的运算效率低，实用性差的问题，本文提出一种基于深度负相关集成的人体姿态解析算法，通过引入负相关学习的概念，修正回归输出的损失函数，仅仅需要修改少量模型结构，在基本不带来运算效率损失的前提下提升了姿态解析算法的预测精度。