人体姿态估计是指在图像/视频中检测定位人体的关键点位置,并以此估计人体姿态的过程,作为人体行为理解的重要支撑技术,具有重要的研究意义与广泛的应用价值。在复杂多变的现实场景中,遮挡、相机角度和多尺度等因素严重影响人体姿态估计算法的性能,因此对自由度较高的人体进行姿态估计仍面临很多挑战。本文面向现实复杂场景,基于深度学习和注意力机制,研究了如何充分利用深度特征提高人体姿态估计模型的性能。本文的主要工作概括如下:1)提出了一种基于通道注意力的人体姿态估计算法。针对图像中人体尺度多变的问题,构建了多分辨率特征提取骨干网络,从高分辨率的子网开始,逐渐增加到低分辨率的子网,这些多分辨率的子网并行连接,以此提取人体的多分辨率特征。另外,为了重点关注人体姿态相关的部分重要信息,在此骨干网络基础上,本文通过引入通道注意力,对每一卷积层并联一个权重计算分支网络,以此强调重要特征,抑制相对次要的信息。本章提出的方法在COCO 2017数据集上进行了验证,平均精度为73.2%,优于如SCARB和Simple Base Line的主流人体姿态估计模型。2)提出了一种基于通道频域增强的人体姿态估计算法。在计算机视觉中,神经网络模型提取特征信息的能力会影响最终效果,丰富的特征表达可以带来更好的效果。传统通道注意力的全局平均池化会抑制一部分特征信息,使得生成的特征图中只包含了原图像中部分信息。为解决这一问题,本文将图像的深度特征从空域转换到频域,即以离散余弦变换操作替换传统全局平均池化,从而保留更多深度特征信息,实现了一种频域增强的通道注意力,并以此为基础设计了一种通道频域增强的人体姿态估计算法。本章提出的方法在COCO 2017数据集上进行了验证,可取得平均精度为73.4%的效果。3)提出了一种通道与位置注意力联合引导的人体姿态估计算法。对于人体姿态估计,关键点间的相互关系及其位置信息同样非常重要,尤其是在部分关键点遮挡的情况下,仅考虑局部信息会导致估计错误。前述方法引入的通道注意力仅考虑了特征图间的重要性,为此本章在其基础上进一步引入位置注意力来对人体关键点的位置信息进行建模,实现空间远距离特征和交互特征的联合表征,提出了通道与位置注意力联合引导的人体姿态估计算法,可达到更为鲁棒的估计效果。本章提出的方法在COCO 2017数据集上进行了验证,平均精度为73.7%,其性能优于如PRTR,RMPE和Pose Fix等主流人体姿态估计模型。