面部外观是人类最重要的视觉特征之一,会随着年龄的增长而变化,因而自动年龄估计是面部特征分析领域中富有挑战性的研究课题。在自动年龄估计任务中,面部外观特征提取是对年龄估计性能的重要影响因素,因此,本文不仅学习基于人脸面部图像的全局特征,同时提取对年龄敏感的局部区域的特征,借鉴了基于细分类和视觉注意力机制的思想,提出了一种基于Attention LSTM的细粒度年龄估计的方法,该方法将残差网络(ResNets)和多级残差网络(RoR)模型与LSTM单元相结合,构建AL-ResNets或AL-RoR网络,提取年龄敏感的局部区域特征,并结合全局特征,有效提高了年龄估计的准确性。首先,深度神经网络已经在多个不同的领域取得了巨大的成功,有许多神经网络模型也由此发展而来。本文对于深度卷积神经模型的几种经典结构进行了介绍,分析了每个网络结构的创新点;同时也详细地描述了循环神经网络的原理。其次,本文分析了细粒度人脸年龄估计方法的可行性,并提出了方法的整体框架;选择在ImageNet、IMDB-WIKI-101和目标年龄数据集上预训练的ResNets和RoR模型作为基本模型;基于预训练的ResNets或RoR,在最后一个残差块后插入LSTM以构建AL-ResNets和AL-RoR模型;使用新构建的网络进行年龄敏感区域训练,训练方法主要由四个模块组成。最后,对本文方法所使用的评估指标进行了介绍;目标年龄数据集采用了四个公共的人脸数据集(Adience、LAP、MORPH Album 2和FG-NET),针对不同的数据集特点,采用不同的预处理方法;引入过采样的方法,在Adience数据集中进行人脸真实年龄组分类实验;引入深度期望算法,在15LAP和16LAP上分别进行人脸表观年龄预测实验,在MORPH Album 2和FG-NET数据集上分别进行人脸真实年龄值估计实验。实验说明了AL-ResNets和AL-RoR在年龄估计任务中的有效性,相比于目前其他CNN方法,本文方法在四个年龄数据集上均取得了当前最优的性能。