非接触式视觉测量是计算机视觉、计算机图形学领域的传统研究方向。由于受到不同姿势、穿着、位置的影响,从图像中精确估计身高、体重等人体软特征一直以来是一个具有挑战性的问题。本文基于单张图像,设计多阶段神经网络和一种新颖的训练方法,通过构建有效的中间表示形式,实现了自动化、主动式测量任意穿着、任意位置、多种姿势的人体身高、体重。在身高估计方法中,本文使用4阶段神经网络框架和新颖的中间表示形式实现从单张深度图像中准确估计人体身高。在神经网络Ⅰ中,通过单张深度图像中分割出人体躯干图像,为了增强边缘信息、细化分割效果,在此基础上增加了高频细节信息的输入;在神经网络Ⅱ、Ⅲ中,将人体躯干图像进一步分割成头、上身、大腿和小腿四个弯曲程度较小的部位并预测其长度,将身体部位间拓扑结构和长度关系作为身高估计的中间表示形式;在神经网络Ⅳ中,采用合适的网络架构从身高估计的中间表示中估计人体身高。在体重估计方法中,由于受到不同衣物厚度的干扰,体重估计相对于身高估计是一个更加困难的问题。本文使用3个神经网络组成两个模块,实现了从单张RGB-D图像中估计人体体重。在模块Ⅰ中,通过两个神经网络构建去除了人体身份特征,同时保留了人体姿势和衣物厚度线索的体重估计中间表示形式;在模块Ⅱ中,通过设计一个基于VGG-16的神经网络框架从体重估计的中间表示中预测人体体重。本文还提出了一种多阶段神经网络的训练方法进一步提升身高体重预测的准确率。通过对卷积层的增减反复破坏网络拟合状态,使神经网络跳出局部最小值逼近全局最小值。该技术应用于身高估计和体重估计最后一个阶段网络的训练过程中。本文构建了一个具有2136张RGB-D图像的人体特征数据集。该数据集中每位志愿者分别穿着春（秋）、夏、冬三种季节的衣物,可以在相机采集范围内的任意位置做出多种姿势。本文在该数据集上进行了实验,在不同姿势、穿着、位置下,身高和体重估计的平均相对准确率分别达到了99.1%和97.2%,实验结果表明本文算法准确率显著优于现有算法。