本文提出了一种高质量的人体运动预测方法，能够基于已观测到的人体姿态，准确预测未来的姿态序列。我们的方法基于一个关键观察：一个良好的未来姿态初始估计值，对于提升预测精度具有显著帮助。这一洞察促使我们提出一种新颖的两阶段预测框架：第一阶段为初始预测网络（init-prediction network），仅负责生成高质量的初始猜测；第二阶段为正式预测网络（formal-prediction network），基于该初始猜测进一步预测目标未来姿态。更为重要的是，我们进一步拓展该思想，设计了一种多阶段预测框架，其中每一阶段均生成下一阶段的初始猜测，从而带来更显著的性能提升。为在每一阶段完成预测任务，我们提出了一种融合空间密集图卷积网络（Spatial Dense Graph Convolutional Networks, S-DGCN）与时间密集图卷积网络（Temporal Dense Graph Convolutional Networks, T-DGCN）的网络结构。通过交替执行这两个网络，能够有效捕捉整个姿态序列在全局感受野范围内的时空特征。上述各项设计协同作用，使本方法在多个基准数据集上显著优于现有方法：在Human3.6M数据集上提升6%–7%，在CMU-MoCap数据集上提升5%–10%，在3DPW数据集上提升13%–16%。