在人体姿态估计的研究中,对包含人体的图像进行识别并估计出其中人体的二维（2D）姿态,是机器视觉研究领域相当重要的基础性工作,但是由于肢体的复杂性、摄像机角度等客观原因,使得图像中的人体经常存在不同程度的扭曲和遮挡;同时,人体姿态估计在实际的应用过程中,所需要保证的实时性和易移植性,对姿态估计网络的模型复杂度也有一定的要求,这使姿态估计变成一项极具挑战性的任务:标准的深度神经网络（DNN）在面对较为复杂的人体姿态和客观场景时,估计精度往往不够高;而部分姿态估计网络模型,却因为结构过深等原因,导致训练出来的模型复杂度过大。本文基于深度对抗神经网络对2D人体姿态估计进行研究,针对上述存在的问题,主要完成了以下工作:（1）对本文工作中的基础网络:堆叠沙漏网络（SHN）进行深入的研究,并进行了复现实验,在复现实验中提取并分析比较了目标网络在不同的结构阶段以及不同测试集输出的姿态估计结果,实验中测试集关键点正确估计百分比PCK和PCKh值分别为89.0%和88.5%,证实了SHN结构设计的合理性和有效性,同时也发现了SHN在姿态估计研究中的不足:对于图像中人体关节存在遮挡、肢体扭曲、肢体特征信息不明显等情况,其姿态估计的精度会有很大程度的降低,使得SHN的姿态估计性能有所受限,两种遮挡的测试样本集PCKh估计值仅为71%和59%。（2）将生成对抗网络应用于人体姿态估计。把SHN进行两次生成对抗训练,同时把惩罚奖励机制、边界参数均衡机制、肢体几何约束纳入二次对抗模型中,得到最终的姿态估计模型SHN。在公开数据集上对本方法进行测试,实验结果表明,该方法能有效提升复杂情况下SHN的姿态估计精度,PCK和PCKh值分别达到了94.8%和92.2%,同时测试样本均方估计误差MSE得到较好的降低,两种遮挡的测试样本集PCKh估计值分别达到了81%和78%。但是本章对抗训练得到的SHN的模型因为姿态估计需求和结构模块设计等原因的不同,其样本平均处理时间、样本平均浮点运算次数、模型参数数量等复杂度相关指标相比于其他SHN却有所增加。（3）针对（2）中存在的问题,在保持姿态估计精度下降不大的前提下,降低SHN的模型大小和复杂度。基于（1）的实验结果,通过减少网络的堆叠数量和通道数量对SHN进行轻量化处理,从而构建一个复杂度较低的SHN网络;同时将残差模块改进为沙漏残差模块,以获得更大的感受野和局部细节;把部分最近邻上采样替换为双线性插值上采样,以提高上采样以后的特征图像质量。消融实验和对抗训练实验的结果表明:通过网络的结构改进,能有效降低优化目标网络SHN的模型大小和复杂度,复杂度相关指标相比于（2）中的网络得到大幅度降低;同时,SHN的姿态估计精度也并未受到太大影响,PCK和PCKh值分别为93.7%和91.5%,测试样本均方估计误差MSE依旧比原始SHN更低,两种遮挡的测试样本集PCKh估计值分别为77%和73%。