二维单人姿态估计是整个人体姿态估计领域的基础和重点。目前,二维单人姿态估计算法都是基于全卷积神经网络实现,并能够克服背景嘈杂、人体形态各异、服装差异等难点。然而,现有二维单人姿态估计算法的计算复杂度非常高,无法在普通台式机、树莓派等计算能力有限的设备上实时运行。这极大限制了人体姿态估计的应用价值。因此,对二维单人姿态估计算法有效轻量化,在不同硬件平台上实时准确地运行,以具体运用于实际场景,是一项具有挑战性的工作。本文在现有二维单人姿态估计算法以及网络轻量化算法的基础上,提出了轻量级堆叠沙漏网络,并设计了自主康复动作识别系统,以运用于自主运动康复场景。首先,针对堆叠沙漏网络存在计算量冗余、实际推理速度缓慢的缺陷,本文对其进行了计算复杂度理论分析。基于理论分析结果,本文保留了网络结构的对称性、重复性,将网络所有残差块的瓶颈系数调小,有效地缩放了整个堆叠沙漏网络。同时,本文平衡了网络的沙漏模块计算量和采取了快速姿态蒸馏训练策略,以弥补缩放网络造成的精度损失。本文进而引入深度可分离卷积及缩小输入图像大小来轻量化堆叠沙漏网络,使其能够在Raspberry Pi4B+NCS2这计算能力十分有限的硬件上实时运行,实现了精确又实时的二维单人姿态估计。其次,本文采用所提出的轻量级堆叠沙漏网络,提取人体关键骨骼点坐标,并进行坐标归一化、向量角计算,以得到自主康复动作的骨骼点特征表示。进而,本文仅通过简单的分类器,实现了实时、准确的自主康复动作识别,并部署于自主康复动作识别系统,以运用于自主康复运动场景。