Nous présentons une méthode pour estimer la posture articulée d'un être humain à partir d'une seule image statique, basée sur un modèle graphique avec de nouvelles relations paires qui font un usage adaptatif des mesures locales de l'image. Plus précisément, nous définissons un modèle graphique pour la posture humaine qui exploite le fait que les mesures locales de l'image peuvent être utilisées à la fois pour détecter les parties (ou articulations) et pour prédire leurs relations spatiales (Relations Paires Dépendantes de l'Image). Ces relations spatiales sont représentées par un modèle de mélange. Nous utilisons des Réseaux Neuronaux Convolutifs Profonds (RNCP) pour apprendre les probabilités conditionnelles de présence des parties et de leurs relations spatiales au sein des patchs d'image. Ainsi, notre modèle combine la flexibilité représentationnelle des modèles graphiques avec l'efficacité et la puissance statistique des RNCP. Notre méthode dépasse significativement les méthodes de pointe sur les ensembles de données LSP et FLIC, et elle performe également très bien sur l'ensemble de données Buffy sans aucune formation préalable.