姿态估计（Pose Estimation）是一类利用计算机视觉技术分析图像或视频中目标对象空间结构的方法，其目标是定位人体、动物或物体的关键点（Keypoints），并推断关节连接关系或整体姿态。该技术涉及目标检测、视觉表示学习和几何建模等方向，是人体行为分析、智能交互和三维视觉理解中的重要基础任务。

姿态估计的发展建立在计算机视觉、人体建模和图像分析等多个领域的长期研究基础之上。早期方法主要依赖人工设计特征、模板匹配以及几何模型完成人体关键点检测，但在复杂背景、遮挡和姿态变化条件下存在较大限制。随着深度学习的发展，研究人员开始利用神经网络直接从图像数据中学习人体结构特征。 2014 年，Google 研究人员 Alexander Toshev 与 Christian Szegedy 在论文 DeepPose: Human Pose Estimation via Deep Neural Networks 中提出利用深度神经网络进行人体姿态估计的方法，将姿态估计转化为从图像到关键点坐标的回归问题，推动了深度学习在人类姿态分析任务中的应用，成为深度姿态估计领域的重要代表性研究之一。

姿态估计的核心任务是从图像或视频中定位人体各关节的位置（如肩、肘、腕、膝、踝等关键点），并进一步还原出完整的骨骼结构与身体姿态。根据坐标维度和场景复杂度，姿态估计可分为二维姿态估计、三维姿态估计以及多人姿态估计等方向，技术上融合了关键点检测网络、 Transformer 结构与三维视觉方法；近年来也逐渐从多阶段流程走向端到端方案，并延伸出全身关键点估计、三维人体网格重建等更完整的人体形态还原能力。目前该技术已广泛应用于运动分析、人机交互、 VR/AR 、智能监控和机器人感知等场景。