人体姿态估计任务旨在从图像或视频中定位出人体关键点位置,该任务可作为其他计算机视觉任务的基础。近年来,人体姿态估计受到了越来越多的关注,并被广泛应用到人机交互、计算机仿真系统等现实场景。现有的基于深度学习的算法克服了手工提取特征主观性较强的弊端,具有强大的特征学习能力。然而如遮挡、训练数据不足等问题仍制约着算法检测精度的提升,且复杂的网络结构会导致检测速度过慢。针对上述问题,本文提出了以下三种解决方案:（1）提出了一种基于动态人体感知卷积的人体姿态估计算法。针对人体特征复杂的特点,引入可变形卷积使网络能够自适应的调整感受野,增强主干网络聚合多尺度空间信息的能力。采用条件卷积设计关键点检测模块,避免了算法检测速度依赖于人体实例数量的问题。通过基于回归的关键点对齐模块获得精准的关键点坐标。在公开数据集上的实验结果表明,该算法能够在检测精度与速度之间取得良好的平衡。（2）设计了一个基于双向融合特征金字塔的端到端人体姿态估计算法。建立了一个双向融合特征金字塔网络,通过双向跨尺度连接和加权特征融合,实现了高效的特征提取。以人体关键点的最小外接矩形为边界框进行训练,将目标检测的思路应用到人体姿态估计中。在公开数据集上的实验结果表明,该算法能够实现高效的人体关键点检测。（3）探索了一种基于Swin Transformer主干和位置编码器的人体姿态估计算法。引入Swin Transformer作为主干网络,并针对人体姿态估计任务的特性优化网络结构。通过将原始图像信息压缩成关键点紧凑的位置序列,把人体姿态估计任务转化为编码任务。通过计算注意力分数得到关键点依赖项,预测最终的关键点位置。在公开数据集上的实验结果表明,该算法能有效预测被遮挡的人体关键点位置。