人体姿态估计是一种从传感器捕获的输入数据（特别是图像和视频）中定位人体部位的技术,它是计算机去理解人类行为和动作的重要一步,更是计算机视觉领域至关重要的研究方向。人体姿态估计提供丰富的人体几何和运动信息,这些信息已被广泛应用于各种任务场景中,包括人机交互、动作捕捉、增强现实等。深度学习的出现使得人体姿态估计方法更侧重于提高姿态估计的精度,但忽略了关键的效率问题。从而,越来越复杂庞大的网络结构带来了巨额的参数量和计算量,使得部署到资源受限的移动端设备愈发困难。为了解决此关键性问题,模型压缩逐渐成为学术界最为关注的话题之一。本文基于高分辨率人体姿态估计网络,提出了一种稀疏化模型剪枝方法并设计了一种轻量化的人体姿态估计网络。主要工作及创新点如下:（1）本文提出了一种基于高分辨率人体姿态估计网络的稀疏化剪枝方法。首先,在原始模型的训练阶段加入L1正则化,对卷积层权重及批归一化层的缩放系数稀疏训练,获取具有稀疏权重的网络结构。然后,根据卷积层的权重和批归一化层的缩放系数来评估通道的重要性。最后,采用稀疏化剪枝方法对不重要的通道进行剪枝。与主流剪枝方法对比,该方法可以在保持模型精度的情况下减少模型参数和计算量。实验结果很好地证明了稀疏化剪枝方法的有效性和先进性。（2）本文设计了一种轻量化的高分辨率姿态估计网络SSENet（Shuffle Squeeze-Excitation Network）。该网络主要由Shuffle单元和SSE单元构成,遵循高分辨率人体姿态估计网络的设计模式,使用Shuffle单元替代其第一阶段中的第二个3×3卷积,采用SSE单元替代剩余阶段的残差单元,并使用深度可分离卷积替代多分辨融合单元中的标准卷积。SSENet在COCO数据集和MPII数据集上表现出比流行的轻量化网络更佳的性能,验证了该网络的有效性和优越性。