本篇论文主要讨论了姿态估计的轻量级网络设计和实际应用。人体姿态估计是计算机视觉的一个较为重要且困难的任务,目的在于检测出图片或视频中的人体关键点,并对关键点连线进行运动分析。当前人们对于生活质量的要求逐渐提高,人体姿态估计可以应用在视频监控,人机交互,驾驶员辅助驾驶等多个领域,对智能生活具有重要的意义。同时,本文将姿态估计的方法应用在矩形物体的关键点检测中,可以快速定位名片,身份证,银行卡等矩形物体角点并连接形成包围框,提高工作人员的办公效率。传统的人体姿态估计和关键点检测技术多依赖于复杂的图像处理技术和后处理技巧,且推断速度和精确度较低,随着深度学习和计算机视觉的迅速发展,卷积神经网络渐渐成为姿态估计和关键点检测的主要发展方向,相较于传统方法有了更精确的结果和更多的可能性。但是基于深度学习的姿态估计和关键点检测仍存在一些问题,在关注精确度的同时往往容易忽视模型的计算量和推断速度,使得最终得到的网络模型只能在GPU上运行,难以应用在轻量设备上。因此本文针对以上问题,讨论了姿态估计的轻量级网络设计和实际应用,具体从以下两个方面进行:（1）本文提出了一种轻量级的人体姿态估计网络,该网络首先选取了合适的轻量级特征提取网络,并在处理特征图时合理减少冗余的特征处理模块,仅采用一个初始层和一个微调层来生成最终的关键点热图,同时使用多个小卷积层的组合代替大卷积层,并加入空洞卷积的操作提高网络的感受野,从而在将人体姿态估计网络变得更加轻量的同时也保证了关键点检测的精确度。（2）本文将计算机视觉中的人体姿态估计算法应用在矩形物体的关键点检测中,仅仅通过轻量级的特征提取网络加上融合多层语义信息的特征金字塔层来得到矩形物体的关键点热图。该网络的设计不仅使网络的计算量和参数量大大减少,同时也由于多层信息的融合使得最终的检测结果更加精确。本文的人体姿态估计实验主要在MPII数据集上进行,并与其他的姿态估计算法进行对比,矩形的关键点检测实验主要在程序合成数据和真实数据混合而成的数据集上进行,实验的最终结果证明本文提出的方法具有一定的可行性和高效性。