人体姿态估计是计算机视觉中一个重要的研究方向,根据输入的图片或视频文件,捕捉行人每个关节点的位置。姿态估计在生活娱乐、交通安全、安防监控方面扮演重要的角色。当前单人姿态估计取得了比较好的成果,但是多人姿态估计面临着许多的挑战。在复杂场景中,一是图片中同时存在尺寸过大和过小的行人,二是拥挤场景中行人之间的关节点相互遮挡,这两种场景中的姿态估计准确率有待提升。针对上述复杂环境中出现的多人姿态估计问题,本文提出了尺度不变网络（ScaleInvariant Network,SIN）和SAA-BJM（Self-Adapted Attention,Best Joint Matching）网络解决上述两个问题。（1）针对图片中存在尺寸过大和过小的行人,提出了尺度不变网络,该网络包括空洞卷积模块（Dilated Convolution,DC）和交叉融合模块（Cross Fusion Module）。我们提出一种空洞卷积块,该空洞卷积块可以设置不同的扩扩张率。在不同尺寸的特征图中使用不同扩张率的空洞卷积块来进一步的特征提取,从而解决多尺度的问题。对于交叉融合模块,我们将多尺度特征融合的方式改进为交叉融合的方式。因为不同尺寸的行人实例在特征图中包含的语义信息不同,在每个空间位置,自适应的融合来自不同级别的特征图,过滤与此位置携带相互矛盾的信息,而保留更有区分度的信息。我们提出的尺度不变网络能解决多尺度输入的问题,并在COCO数据集中AP达到了72.5,实验表明我们提出的方法确实有效。（2）针对拥挤场景中行人相互遮挡的情况,本文提出了一种SAA-BJM网络解决拥挤多人姿态估计的问题,该网络包括自适应特征模块和最佳关节匹配模块（Best Joint Matching,BJM）。对于自适应特征模块,本文提出了自适应注意力（Self-Adapted Attention,SAA）机制,改进了传统的卷积结构。将输入特征图分为两组,每组负责不同尺度的特征提取,然后将这两组特征融合作为卷积后的输出。自适应注意力本质是一种多尺度特征学习的卷积结构,能自适应的学习上下文信息,从而发掘遮挡的关节点。对于最佳关节匹配模块,考虑到拥挤场景中,一个行人检测框内存在其他关节。我们改进网络的loss函数来生成目标关节和干扰关节,目标关节是当前行人的关节,干扰关节是其他行人的关节,根据检测出来的关节和行人建立行人-候选关节图,将姿态估计问题转化为图的最佳匹配问题,通过匈牙利匹配算法得到最佳的人体姿态。我们的方法在COCO数据集中AP达到了74.5,在Crowd Pose数据集中AP达到了71.2,实验表明我们提出的方法能解决拥挤场景的多人姿态估计问题。