人体姿态估计是计算机视觉领域中一个比较热门的研究问题。在本课题中，我们主要讨论静态图像中的人体姿态估计问题。我们在混合部件模型的基础上做出一些扩展，提出了一种更合理、更有效的姿态估计模型，从而提高对姿态估计的精度。这种方法的核心思想就是通过提高树形模型中叶子部件的定位精度来提高整个模型的检测精度——这也是被很多文献所忽略的一个问题。在本文中，我们利用模型检测得到的局部和非局部上下文信息来实现这个目的。具体来说，我们利用局部上下文信息来减少和消除部件检测中的噪声响应，利用非局部的上下文信息来提高叶子部件的检测精度。更重要的是，我们保留了部件模型的基本树形结构，从而使得我们的模型仍然能够利用树形模型的高效求解方法求解。除此之外，我们还对姿态估计的应用做了简单探讨。我们结合上述的姿态估计模型提出了一种新的静态图像中人体动作的识别方法。与其他方法不同的是，我们直接使用姿态估计所得到的形状向量作为动作识别的依据。我们通过姿态估计模型得到静态图像中的人体的一个姿态向量。我们对这个姿态向量进行一种新的表达——我们利用每对部件之间存在的空间约束关系来描述姿态。这种姿态表示模型能够概括不同类别动作间具有判别信息的特征。随后，我们利用稀疏化分组学习方法从姿态表示模型中学到这些最具判别信息的特征并将之运用于判别。这种方法能够极大地消除噪声特征从而简化判别模型，提高判别的速度和精度。并且模型的稀疏性使得模型能够在一定程度上容忍姿态估计的错误，因而具有很好的推广性能。