静态图像中的视觉人体运动分析一直是计算机视觉领域的重要研究课题之一。以卷积神经网络为代表的深度学习在近几年备受学术界和企业界关注,并在计算机视觉领域中取得突破性进展。本文聚焦于利用卷积神经网络探索动作检测和人体姿态估计视觉两项人体运动分析任务中的应用。动作检测是指检测人的位置,给出人的动作标签;姿态估计是定位人体各个关节点的位置参数,有序连接各部件得到人体的姿态结构。识别图像中人的动作可在人的位置真值已知或未知前提下进行。一般动作识别相关工作均假设人的位置已经给出,把动作识别视为特定动作集合中的分类问题,但这种假设在实际中并不合理。动作检测则是不依赖于人的位置真值识别人的动作,难度更大。本文利用目前基于深度学习的前沿物体检测算法Faster RCNN(Regions with CNN Features)和SSD(Single Short MultiBox Detector)进行动作检测,评估两种算法在人体动作检测这一更为精细的任务上的性能表现,并与现有的基于卷积神经网络的动作检测相关工作对比,结果表明本文的动作检测模型性能指标更优。姿态估计可对单人或多人图像进行,现有工作一般针对单人图像进行姿态估计,本文研究图像中多人姿态的估计问题,从检测人体部件出发,提出了自底向上的多人姿态估计方法。在一般物体检测算法Faster RCNN基础上,本文提出多分支Faster RCNN模型,用于检测图像中的人和人体部件。并在得到部件和人体检测结果后,制定一套简单可行的规则从部件检测框定位关节点位置,匹配人及其部件,估计多个人的姿态。在多个数据集上实验表明本文多分支Faster RCNN模型比原始模型在同时检测部件和人体任务上效果更好,与其他姿态估计方法相比,本文方法也取得了相当或更优的性能指标,且速度优势更加明显。