目前,在游戏、VR、虚拟试衣、医疗等领域,人们对三维模型的需求越来越多,除了三维场景重建之外,三维人体模型重建这个话题也变得越来越重要。在该任务上,重建人体模型的精度和重建速度常常影响如虚拟试衣真实性、游戏人物运动生动性等工业应用的实际效果。在方法研究上,由于衣服遮挡、视角变换等多种因素,从一张自然的二维图像中准确预测三维空间中人体的体型和动作常常是一个非常困难的任务。以往的工作大多以重建出一个与图像相同动作的模型为目标,而不去考虑实际应用中具体模型的关节联动性、运动结构合理性问题。因此,基于上述问题,我们提出了一个基于人体机械结构的关节轴角先验,作为回归过程和回归结果中的阈值约束,用以限制权重和偏置的更新方向,提高损失函数下降概率以及收敛速度。同时,我们也提出了一个简单的重建网络,区别于以往复杂的结构,该网络的搭建更简单,并结合关节轴角先验验证了重建方法的可行性。最后,由于考虑到SMPL模型关节点序列的特殊性,子节点是相对于父节点的空间欧拉角变换,关节点序列存在状态链关系,因此本文基于上述考虑,基于隐马尔科夫模型（HMM）训练了一个姿势参数判别器,并通过实验证明了该判别器的可行性。本论文主要研究内容如下:1.基于关节轴角先验的研究。由于学习得到的姿势参数在某些时刻不符合真实人体可执行动作,因此本文提出了关节轴角先验,通过机械结构划分计算关节轴角自由度,从而使重建的三维人体更加符合实际情况。本文将具体阐述人体关节机械结构划分方法和自由度计算方法,以及最后得到的值域先验在整个网络中的设置方式。2.基于残差网络的两阶段重建网络的具体搭建。本文基于Resnet50搭建基于二维图像重建三维人体的重建网络,将对整个重建网络进行阐述,包括:具体参数的设置方法,选择各个损失函数的理论依据以及实验比较。同时,我们还介绍了基于UP-3D数据集的数据提取和预处理。由于重建三维人体模型时,我们需要确定不同特征学习不同的SMPL模型的参数,以及对应不同的损失函数,而损失函数的不同,常常影响了最后的重建精度,因此本文需要确定采用哪些特征去完成重建任务。3.基于HMM模型的姿势参数判别器的构建。SMPL模型中的人体关节点标注采用关节点树的方式,因此关节之间存在链关系。本文将详细阐述使用隐马尔可夫模型构建姿势参数判别器的过程,以及具体的判别效果。