我们研究了从视频中估计三维人体姿态和形状的任务。尽管现有的基于帧的方法已经取得了显著进展，但这些方法通常独立应用于每一幅图像，因此经常导致预测结果不一致。在本工作中，我们提出了一种基于视频的学习算法，用于三维人体姿态和形状的估计。我们的方法的关键见解有两点。首先，为了解决时间预测不一致的问题，我们利用了视频中的时间信息，并提出了一种自注意力模块（self-attention module），该模块同时考虑了帧间的短程和长程依赖关系，从而实现了时间上连贯的估计结果。其次，我们通过一个预测模块（forecasting module）对人类运动进行建模，使得相邻帧之间的过渡更加平滑。我们在3DPW、MPI-INF-3DHP和Human3.6M数据集上评估了我们的方法。大量的实验结果表明，我们的算法在性能上优于现有最先进的方法。