人体姿态估计是近几十年来计算机视觉领域备受关注的一个重要问题,目的是在图像中定位人体关键点并将之连接输出人体姿态骨架,是理解图像和视频中人物行为的关键一步。人体姿态估计在安防、自动驾驶、运动与康复训练等领域有重要应用。在实际应用中,受限于数据规模、网络带宽和隐私安全风险等问题,人体姿态估计往往需要在边缘设备运行,而不是将数据传输到云端进行计算,但边缘设备内存与计算资源有限,无法支持复杂庞大的网络模型,于是对于网络模型的轻量化研究就具有十分重要的意义。本文提出了一种新的轻量化级联金字塔模型——LCPN,主要工作可以概括为以下两个部分:1.从网络构造层面对模型网络结构进行轻量化设计,使用深度可分离卷积替换标准卷积方式,在达到同样卷积效果的前提下,对比实验证明了本文提出的模型减少了网络权值参数量以及计算量,降低了模型的复杂度,提高了模型效率。2.对人体姿态估计中的关键点预测部分进行了改进,提出了新的关键点预测方式。同时训练两个部分,使用热图预测网络监督坐标直接回归网络的训练以提高准确率,测试时只保留坐标直接回归部分,实验结果证明了网络简单轻量,运行速度快,可以有效提高模型测试时的预测效率。根据实际应用需求,本文设计并实现了一个健身动作评分小程序。该小程序将LCPN模型运行于移动端,能够实时对用户的健身动作进行姿态估计与展示,并通过与标准姿态进行比较给出对用户健身动作的评分。小程序的运行结果验证了本文研究和设计工作的正确性和有效性。