计算机视觉发展过程中,人体姿态估计任务一直备受关注。在工业界和学术界,姿态估计任务也是极具挑战性的任务之一,目标是使机器尽可能的检测出人体样本中关键节点,比如鼻子、左右肩、脚踝、手腕。随着深度神经网络的引入和应用,人体姿态估计任务往往是预测人类行为规律的基础研究任务,为行人检测、样本重识别、特殊行为检测、人机交互等任务提供了基础预测能力。当前主流的人体姿态估计网络框架分为两种应用型网络,即人体结构应用网络和关键点检测网络。本文对人体姿态及估计任务和主流姿态估计网络进行了细致的剖析,结合可微的网络架构搜索方法,设计了新的网络搜索空间,由此搜索得到了高性能关键点编码器和自适应关键点解码器。同时,本文对搜索出的关键点检测网络在注意力机制和多维度缩放方面进行了推广性研究。本文的主要工作包括:（1）轻量级网络架构搜索。可微的网络架构搜索算法存在不少的缺陷,其中两个便是占用显存大和性能崩坏。本文提出对超网络进行通道采样或者二值化网络处理,使得能够直接在大型数据集上进行网络架构搜索,但也导致性能崩坏的缺陷加大了。本文加入一种无偏的并且方差较小的噪声,对算子学习后的部分特征进行通道加权,能够缓解局部网络下性能崩坏的问题,提高网络架构搜索的稳定性,使得搜索出来的网络拥有不错的性能。（2）基于多尺度的关键点检测网络架构搜索。本文在保持高分辨率特征的基础上,从尺度敏感的感受野变化模块出发,以网络自主选择算子连接方式的角度,搜索多尺度特征融合网络,让不同分辨率的表征相互促进提高,最终输出具备高定位精度的姿态估计热力图。其次,本文在搜索出的关键点检测网络上对空间和通道注意力机制以及多维度模型缩放进行了推广性研究。本文设计实现了更加适合于姿态估计的多尺度网络架构搜索方法,能够进行快速的网络架构搜索。搜索出来的网络在公开数据集MPII和COCO上进行了充分的实验,取得了不错的实验结果。