为了提高卷积神经网络在二维图像中对人体姿态进行估计的准确率,针对人体姿态估计过程中遇到的搜索关节空间过大问题,提出了一种基于先验分布的关节搜索空间减小方法,并且针对之前研究者利用卷积神经网络建立关节外观模型只考虑图像的局部特征,而忽略了人类在识别物体时同时依赖局部和全局特征的问题,以及将不同卷积核提取的特征同等对待等问题,提出了一种改进的卷积神经网络模型,并在FLIC和LSP数据集上进行人体姿态估计的实验,表明提出的方法能有效缩小搜索关节空间,并提高人体姿态估计的准确率。其次,考虑到人体姿态在大多数情况下都是动态的,因此考虑将卷积神经网络应用于对视频中的动态的人体姿态动作来进行识别估计。首先要把三维视频中的信息转换成二维的特征图像,基于目前常见的运动前景检测算法很难获取到完整的轮廓图,提出了一种基于DOG图像的人体剪影提取算法,有效的改善了人体姿态估计过程中提取特征轮廓图的完整性;最后使用第三章提出的改进的卷积神经网络来进行对二维特征图进行训练识别,有效提高了姿态估计准确率。又基于3D卷积神经网络模型,通过基于轮廓特征的实验和运动特征的实验,得出了最佳的用于实验的二维特征图组合,即“光流图-帧差图-3帧帧差图”;使用经过实验得出的卷积核大小为7×7、卷积层数为3、batchsize大小为10的网络模型,获得了高达92%的准确率。然后对数据库进行数据均衡处理,获得了94.8%的人体姿态估计的准确率,相比未处理不均衡数据之前,准确率提高了2.8%。实验结果表明3D卷积神经网络在人体姿态估计上,与之前传统方法相比较,不仅降低了工作量,而且具有很好的鲁棒性。图40幅;表20个;参48篇。