人脸属性识别是人脸分析任务的一个重要研究方向,主要目标是分析并预测人脸图片中的人脸属性信息。由于人脸的表观会随着环境、情绪等因素发生剧烈变化,所以人脸属性识别仍然面临诸多挑战。近年来,基于卷积神经网络的深度学习方法凭借其强大的图片特征分析能力,成为人脸属性识别的重要方法。由于人脸的属性数量众多,且不同属性间存在关联性,所以普通深度学习方法有很大的局限性,而多任务深度学习方法适用于多个任务的并行预测,符合人脸属性识别的特点,因此研究基于卷积神经网络的多任务人脸属性识别方法具有实际意义。本文的主要工作内容如下:提出一种分支共享的多任务人脸属性识别方法。传统的分支结构的多任务神经网络忽略了支路间高层语义信息的交流,无法充分挖掘相关属性任务间的关联性,并且传统分支结构不同节点之间差异巨大,对不同任务的适配性较差。此外,由于人脸属性较多,必然存在各个属性样本数量不平衡的情况。为了解决上述问题,本文提出一种分支共享的多任务人脸属性识别方法,并在CelebA数据集上进行验证,人脸属性的平均识别率为91.9%。提出一种联合辅助任务的多任务人脸属性识别方法。人脸属性识别是人脸分析任务中的一种,且不同人脸分析任务间(人脸检测、人脸关键点检测、边框回归、人脸属性识别等)存在着关联性。传统人脸属性检测流程中,虽然会通过一些人脸分析任务对图片进行预处理,但是人脸属性识别任务与这些人脸分析任务是相互独立的,使模型忽略了人脸分析任务之间的关联性。再者,人脸属性的分析过程中,图片的背景像素容易对模型产生歧义影响。为了解决上述问题,本文提出一种联合辅助任务的多任务人脸属性识别方法,并在CelebA数据集上进行验证,属性的平均识别率为93.1%。