姿态估计使计算机能够识别图像中人体的解剖学关键点,作为人体动作识别和行为分析的研究基础,姿态估计广泛的应用于智能监控、人机交互等领域,是计算机视觉领域的研究热点。随着深度学习的引入,使得基于静态图像的多人人体姿态估计的性能得到一定提升,进而发展出基于视频的多人人体姿态跟踪技术。然而由于人体交互遮挡、服饰多样化、自身遮挡、光照变化和场景物体干扰等因素,使得多人人体姿态估计与跟踪仍然是具有挑战性的一项课题。本文针对人体姿态估计与跟踪任务中人体关键点识别率不均以及拥挤场景下人体交互遮挡问题,提出新的人体姿态估计与跟踪方法。主要的研究内容如下:（1）构建用于人体关键点检测的级联深度特征网络（CHRN）,通过主体网络与微调网络的结合准确定位人体关键点。在级联深度特征网络中,主体网络起到深度特征提取的作用,得到更加全面且有效的图像信息;微调网络级联整合主体网络提取的多阶段深度特征,对主体网络中识别率较低的人体关键点的损失进行在线挖掘,提升整体人体关键点的识别率。（2）提出结合自底向上与自顶向下的两阶段训练优化方法,在模型的训练过程中,首先利用自底向上方式训练CHRN得到基础模型;依据迁移学习思想,利用自顶向下方法对基础模型二次训练,优化得到姿态估计模型。模型可以减少人体目标检测结果、复杂背景、人体遮挡对训练过程的影响,增加对人体目标的关注度,减少影响。在模型测试过程中,采用带有人体关键点聚类的自顶向下方法来输出人体姿态估计结果,避免人体目标检测对最终结果的影响,同时保证人体姿态估计的准确性。（3）提出基于卡尔曼滤波器优化的人体姿态跟踪方法,在本方法中使用经过训练优化的级联深度特征网络进行人体姿态估计,然后使用卡尔曼滤波器在视频图像中引入时间维度对人体姿态估计结果进行优化,在跟踪过程中实时修正模型的检测结果。进一步提高视频中人体姿态跟踪的精度。本文提出的方法分别在MSCOCO数据、MPII数据集、Pose Track数据集上进行了实验,由实验结果可知,本文提出的姿态估计方法在识别精度方面与同类方法比较有所提升。