近年来随着计算性能和样本数量等都得到了几何数量级的提高,深度学习得以发挥它的优势,在图像处理相关领域取得了突出的成就。人脸检测、特征提取、人脸识别等领域的研究已相对成熟,但基于人脸性别识别的研究依然相对空白。性别是人类的一种基本生物特征,越来越多的应用场合需要判别人脸图像的性别信息。本文基于Caffe深度学习框架的人脸性别识别方法。实验分为两组数据集,第一组为上半身人脸图像数据集20万张,其中男女训练/测试各5万张;第二组20万张人脸数据集是由第一组扣人脸而来,同样男女训练/测试各5万张。在Linux系统上分别实现LeNet、AlexNet、VGG-16等三个深度学习模型的性别识别。最后对三个深度模型从准确率、误失率、训练时间、收敛速度、生成模型大小及单张图像识别时间等方面进行了对比和分析。实验结果表明:三个深度学习模型上半身人脸数据集在准确率、误失率等方面均明显优于人脸数据集。训练时间、单张图像识别时间和模型文件大小等方面与模型本身相关,与数据集无关。VGG-16模型基于上半身人脸数据集准确率比LeNet模型提升5.3%,误失率降低约12%。而LeNet模型相对于VGG-16模型,图像平均识别速度提升7~8倍,训练生成的模型大小仅为1/205,训练时间节省1/4左右。AlexNet模型介于二者之间等方面的实验结果。最后以VGG-16模型为例,通过视频文件展示了实验效果。