人体姿态估计旨在高效、准确地定位人体关节点,是计算机视觉理论的实际应用,是行为识别、人机交互等研究方向的技术支撑,在计算机视觉领域中起着承上启下的重要作用,是国内外学者的研究热点。尤其近十几年来,随着深度学习理论的深入研究以及高性能计算平台的技术革新,人体姿态估计方法得以飞速发展。国内外学者从神经网络结构设计、关节点的编解码方式、模型效率等角度对人体姿态估计方法展开一些系列的研究,并取得了诸多的成果与应用。例如,卡内基梅隆大学、上海交通大学、脸书公司均已开源自主研发的实时人体姿态估计系统,为行为预测、行人重识别等领域提供强大的技术支持。现有基于视觉的人体姿态估计方法大多以高分辨率图像作为模型输入获得人体关节点位置信息。然而在实际应用中由于图像设备性能、传输带宽、场景时效要求等限制,难以提供高分辨率的视觉图像,从而导致现有人体姿态估计方法性能的降低。为了提高低分辨率场景下的人体姿态估计方法性能,本文分别从关节编解码的量化误差、关节位置的不确定性、多尺度特征偏移三个方面深入研究讨论,主要工作包括:（1）针对低分辨率人体姿态估计任务中的量化误差问题,本文采用适用于低分辨率任务的复合关节场编解码关节点位置信息。首先,本文分析了估计误差对编码关节粗略位置的热力图扰动,设计高斯加权的热力图。其次,本文深入探讨关节偏移向量场训练与关节点预测的内在不对齐问题,设计一种置信感知的偏移向量场学习方法,使用热力图的预测信息引导偏移向量场的学习过程,从而耦合关节点复合场的训练和预测,保证两者的一致性,提高低分辨率关节点预测精度。最后,在COCO数据集上验证所提置信感知偏移向量场学习方法在低分辨率图像场景的优越性,同时展示所提方法对高分辨率人体姿态估计同样有效。（2）针对低分辨率关节点的定位不确定性问题,本文通过在关节复合场中引入不确定性估计实现低分辨率关节点预测。首先,采用关节点概率分布表征关节定位不确定性。具体而言,将关节点复合场分别建模为概率分布,利用高斯函数建立关节热力图和偏移向量分布,将确定性关节点回归转换成关节概率分布回归。其次,观察到用于分布距离描述的相对熵损失函数会造成梯度爆炸现象,从而导致模型难以收敛。通过定量分析模型梯度设计一种适用于关节点不确定建模的损失函数保证模型平稳训练。再者,根据模型梯度分布设计一种基于偏移向量场分布的置信投票机制,将关节点不确定建模融入关节点预测,保证模型训练与预测的一致性。最后,通过实验对比不同损失函数、关节点预测后处理机制证明所提方法在低分辨率人体姿态估计任务的有效性。（3）多尺度特征融合时存在特征偏移问题,对低分辨率任务尤为严重。针对这一问题,本文设计一种通用的多尺度特征无偏对齐策略解决特征偏移问题以提升模型性能。首先,系统地建模多尺度融合中特征位置映射关系,探究多尺度融合中特征偏移现象及其根本原因,同时量化特征不对齐导致的具体偏移误差。其次,根据不同的尺度融合方式、应用场景中特征映射的数理关系提出用于多尺度特征无偏对齐的通用方案。再者,将特征无偏对齐方案应用于低分辨率人体姿态估计任务,设计无偏数据处理、基于无偏特征对齐的姿态估计模型、无偏关节点编解码方式,提出一种无偏的人体姿态估计方法。最后,实验验证所提无偏人体姿态估计方法在低分辨率人体姿态估计任务的优越性,同时表明无偏特征对齐方案适用于高分辨率图像和其他姿态估计模型。