人体解析是计算机视觉领域一种复杂而精细的人体语义分割任务,其广泛的应用价值,被越来越多的研究人员所关注。随着深度学习的发展,卷积神经网络被成功的应用于计算机视觉领域。基于卷积神经网络的人体解析获得了极大的突破,但面对多变的人体姿态、复杂的场景、多样的着装等挑战,以及网络模型本身对人体语义特征学习的不足,容易造成解析结果区域不连续、错误识别、结果不精细等问题,这些问题严重影响着解析精度。本文基于卷积神经网络方法针对上述存在的问题进行研究,具体包括以下两方面:首先,考虑单一网络模型提取特征能力有限,提出一种多阶段双路人体解析网络(Multi-stage Two-Way Combined Network,MTCnet)。MTCnet将编码解码网络与空洞卷积相结合,拥有两个特征提取子网能够融合学习不同特征信息,相比单一网络能够学习更丰富的人体语义特征信息。与以往单一阶段处理方式不同,采用多阶段学习,并应用中间监督方法进行训练,每个阶段对前一阶段的人体解析结果进行改进,最终达到最优的解析结果。实验结果表明本文提出的方法细节处理较好,能够有效的提高解析精度。其次,对编码解码网络模型Segnet和U-net进行分析研究,虽然Segnet和U-net网络对全局与局部信息有较好的学习,但该网络只是进行简单的下采样和上采样操作,忽略了特征信息之间的交换学习,本文提出一种基于多层次深度特征交换网络(Multi-level Deep Feature Exchange Network,DFEnet)的人体解析方法,DFEnet网络既兼顾不同分辨率下高维特征学习,又可以满足不同分辨率下的特征交换学习。此外设计了一种空洞沙漏池化模型,DFEnet提取完人体语义特征后,空洞沙漏池化会对提取后的特征进行多尺度学习。在LIP数据集上的实验结果表明本方法解析性能得到了明显提升,解析精度要优于其他先进方法。