人体姿态估计是对图像中人体特征点位置的检测，目前已经成为计算机视觉领域的重要研究方向之一，且应用十分广泛。人体姿态估计的研究奠定了人体运动分析、人机交互、模式识别和智能视频监控等方向的研究的基础。　　基于彩色图像的人体姿态估计的传统方法，通常采用纹理特征等刻画人体特征，但是由于人体特征的多样、光照变化不均匀和背景复杂等因素影响，单一特征描述无法完全利用图像提供的信息。而且，在使用经典的贝叶斯概率在人体姿态估计研究中，通常假设了概率与假设的全知性，但实际中并不能满足此条件，这往往影响了人体姿态检测的准确率。因此，本文通过对人体多种特征的融合，基于Dempster-Shafer理论提出了面向单帧彩色图像的人体姿态估计方法和面向彩色视频的人体姿态估计方法。具体的研究工作如下:　　(1)基于Dempster-Shafer理论提出了融合表观形状信息的单帧图像人体姿态估计方法。首先，利用传统图模型的方法获取人体姿态候选集，将整体姿态分解成为各部件的动作候选集，扩大了姿态候选范围。然后，采用Dempster-Shafer理论，以梯度直方图和形状特征作为两种信息源进行融合，解决了仅利用纹理特征的单一性。不同于传统贝叶斯理论，Dempster-Shafer理论保持了信息源的不确定性，不必满足假设概率全知性。最后，通过信度函数描述人体骨架点的可信度，获取人体最佳姿态估计结果。　　(2)基于单帧图像的融合表观形状信息的方法，提出了面向图像视频的人体姿态估计方法。首先利用了在图像序列中动作间的时间相关性，扩展姿态候选集，将整体姿态分解为动作序列。依据时间的可靠性，为其分配不同的信任权重，采用基于加权的Dempster-Shafer理论在各部件上将梯度直方图和形状特征作为信息源进行融合，实现人体特征点定位。　　为了验证本文提出的算法的有效性，在全身数据集PARSE上进行了单帧图像的对比实验，并且在BUFFY半身图像序列数据集上验证了面向彩色视频的人体姿态估计方法。实验结果表明，本文提出的融合表观形状信息的单帧图像人体姿态估计方法和融合表观形状信息的图像视频人体姿态估计方法表现出对目标遮挡、光照变化以及复杂背景等问题下较好的鲁棒性和可行性。