随着图像传感器技术的发展,基于图像的人体动作分析已成为当前计算机视觉和数据挖掘领域的热门课题。人体三维姿态估计作为后续动作分析和理解的重要前提,通过从图像中估计人体关键点的坐标、旋转角度等参数,对人体在三维空间中的姿态进行重建,在运动分析、虚拟现实、影视制作等领域有着十分可观的应用前景。本文主要研究基于单目视觉的人体三维姿态估计问题,该问题可分为从图像中抽取人体二维位姿和利用二维位置坐标估计三维姿态两个步骤,考虑现有二维人体姿态估计方案已相对成熟,因此本文具体针对已知二维人体位置条件下,人体在空间中深度姿态信息的重建。人体姿态在时间维度上具有较高的连续性和相关性,因此本文首先基于人体二维姿态的时序数据,利用Sequence to Sequence框架和LSTM单元,实现了基于时间序列的人体三维姿态估计模型。之后通过引入注意力机制,以及结合人体关节点的加速度数据特征对模型进行改进,最终在TotalCapture数据集上的平均误差为39.03 mm,预测精度较改进前提升6.3%。实验证明该改进能够有效降低模型的预测误差,并提升模型在人体远端节点上的预测准确度。神经网络模型的鲁棒性严重依赖于训练数据集的规模和覆盖程度,而现有三维标注数据集场景和动作较为单一,因此本文针对人体三维姿态估计的无监督学习方法进行研究。基于生成对抗式网络结构,借助生成器和判别器的竞争和博弈,以及三维姿态和二维成像结果之间的联系,通过对人体三维姿态的估计结果进行结合仰角和平面旋转的随机投影,实现了能够仅使用二维标注数据集训练的无监督模型。同时为了更直观的评估模型效果,本文结合现有二维姿态估计算法,完成了基于单目图像的人体三维姿态估计的模型可视化工作。