随着人机交互技术的发展,图像智能应用技术受到极大的关注。人脸识别作为其中一个热门技术有着很高的研究价值和应用前景,在信息安全、人防安全等领域受到广泛应用。然而,受年龄、表情和姿态等因素的影响,人脸识别技术同样也面临着巨大的挑战。年龄作为人脸的一个重要属性,对结果的可靠性有着举足轻重的影响。人脸老化是一种复杂的非线性内部变化,面部外貌特征随着年龄增长会发生显著的形状和纹理变化。并且不同人在相同年龄阶段拥有着相似的变化,同时相同人在不同年龄阶段又有着不同的变化,对人脸老化建模是一种非常复杂的过程。针对这些困难,本文进行了相关研究,主要工作有以下两个方面。提出了深度跨年龄人脸验证模型。受人脸老化的影响,面部特征随着年龄跨度的增加发生显著变化,为了减小年龄跨度带来的影响,本文提出了深度跨年龄人脸验证模型。传统的跨年龄人脸识别方法以手工设计特征作为判别特征,缺点是维度过高、判别性差,不能将年龄信息有效祛除。深度跨年龄人脸验证模型以卷积神经网络为特征提取工具,同时引入识别和验证信号,将年龄作为有效的监督信息来获取对年龄鲁棒的深层语义特征。通过在公开跨年龄数据集上的一系列实验表明,本模型可以有效减弱年龄跨度带来的影响,提高识别精度。提出了联合多任务卷积神经网络模型用于跨年龄人脸识别。一种较为传统的跨年龄人脸识别方法通常将其视为一般的面部分类问题,然而这种方式通常面临一个问题:如何有效地提取对年龄不敏感的身份特征进而获取鲁棒性更高的特征表示。对此,本文提出了联合多任务卷积神经网络模型。联合多任务卷积神经网络模型包含两个任务:年龄分类任务和身份识别任务。前者用于学习与身份无关的年龄特征,后者用于学习与年龄无关的身份特征。为了加强两个任务的特征学习,该模型引入正则项来相互约束两个任务。实验表明,联合多任务卷积神经网络模型能够获取鲁棒性更强的身份特征,有效减轻大年龄跨度带来的影响。