近来,全球经济快速增长,能源的消耗日益上升。建筑物的传统温控方案,造成了一定的能源浪费,并且存在忽略人体冷热感受的情形（例如在空调开启的情况下感到很冷或者很热）。构建实时的非接触式人体热舒适检测则能够有效缓解以上的情况,实现“以人为本”智能建筑。而目前的非接触式热舒适检测主要使用红外等设备,由于其价格昂贵,安装不便等原因,其并不能很好的应用于智能建筑的热舒适环境。同时,现有的一些使用图像捕捉等设备进行的相关研究并不能很好的对人体热舒适状态进行精准的预测,因此,本文核心章节针对以上问题,基于深度学习、Open Pose等技术构建相关算法,主要研究内容如下:从微观的皮肤纹理角度,采集了皮肤纹理图像和对应皮肤温度真实值,对皮肤图像的色调（H）通道的频域进行了分析,提出了两类皮肤温度预测算法:横向（个体间）皮肤温度预测算法和纵向（个体内）皮肤温度预测算法:（1）横向（个体间）皮肤温度预测算法使用一部分人的数据对算法模型进行训练,预测其他个体的皮肤温度。横向算法使用四种不同的网络结构,网络Ⅰ只使用RGB图像,后三种网络结构都使用了H通道频域信息作为额外的辅助输入,这三种网络结构分别对H通道频谱加入网络的方式做出了不同的尝试。实验结果表明横向温度预测算法预测他人温度时,误差稍大。（2）纵向（个体内）皮肤温度预测算法使用个体自己前半段时间的皮肤纹理和真值数据对算法模型进行训练,对自身后半段的皮肤温度做出预测。纵向算法使用了三种不同的网络结构。网络Ⅰ只使用RGB图像,后两种网络都使用了H通道本身的数据作为额外输入,并且尝试了不同的接入方式。实验结果表明纵向温度预测算法在预测个体自身的皮肤温度时,可以维持比较理想的误差。微观角度的两种皮肤温度预测算法可以基于个体间、个体内的不同需求来给出一定误差范围内的人体皮肤温度。从宏观的人体冷热姿态的角度,采集了6种冷热姿态Open Pose关键点数据。（1）针对输入数据形式提出了静态姿态识别算法,静态算法存在一定的缺陷。（2）由此,基于动作序列对采集的数据进行改进,分别选取了每种动作流程中不同阶段具有表征作用的帧关键点数据,将它们组合成新的样本数据。（3）提出了基于动作序列数据集的三种姿态识别算法,分别使用了全连接、卷积结构,网络Ⅲ还针对不同个体所处位置的差异对数据进行位置归一化处理,增加了额外的输入层和网络结构来接收归一化的数据。最终结果表明动作序列数据集具有独特的优势;卷积结构处理关键点坐标数据更有效;归一化可以更好地提高算法的鲁棒性。实验结果表明,宏观冷热姿态判断算法,可以在人体处于过冷或者过热的热不舒适状态由于机体调节而下意识做出一些动作时,准确地判断出人体的冷热状态。