随着人工智能技术的迅速发展,计算机视觉领域得到了广泛的研究与应用。其中,3D人体姿态估计是计算机视觉领域的一个热点问题,它的任务是从图像或视频中定位出人物的关节位置并进行最优连接,被广泛应用于动作识别、人机交互、智能安防、增强现实等领域,具有极高的研究意义和应用价值。近年来,生成对抗网络在图像合成领域取得了很大的进展,利用生成对抗网络能够更好地提取人体姿态特征,提升人体姿态估计算法的性能。本文基于生成对抗网络,从有监督和无监督两个角度对人体姿态估计展开了研究,具体内容如下:针对有监督3D人体姿态估计只关注关节位置的准确性,而忽视了姿态整体结构的合理性这一问题,本文提出一个基于生成对抗网络的有监督3D人体姿态估计算法。该网络将对抗损失与关节位置损失相结合,在学习更为可行的人体结构的同时,可以预测更为精确的关节坐标。为了学习人体关节点之间的关联关系,本文引入了图卷积网络,能够捕获人体关节局部以及全局的语义信息。在训练策略方面,本文添加了一个变量来实现生成器与鉴别器的平衡,提高网络的稳定性。在多个公开数据集上进行实验的结果表明,本文提出的方法达到了领先的水平。针对无监督3D人体姿态估计完全不依赖于3D数据集,精确度较低的问题,本文提出一个基于生成对抗网络的无监督3D人体姿态估计算法。网络整体呈现简单易训练的结构,其中随机投影层的设计使得网络可以从多个方向去区分真实的2D姿态和经过投影之后的2D姿态。本文还引入了骨骼长度约束和关节角度约束这两种人体几何约束,减轻了之前投影带来的模糊判断,使得到的3D姿态更加准确。在多个公开数据集上进行实验的结果表明,本文提出的方法取得了具有竞争力的结果。