人脸老化合成具有重要的研究价值和广阔的社会需求,是计算机视觉领域中的热点研究问题。人脸老化合成是指以给定人脸图像为素材,依靠计算机技术和图像处理算法,合成出目标年龄的人脸图像。近年来,随着深度学习理论的发展,尤其是生成对抗网络的出现,使得人脸老化合成算法取得了前所未有的进步。由于人脸自然老化十分复杂且与多种因素相关,因此目前仍存在一些研究难点,一方面对于小年龄段面部轮廓老化难以建模,缺少小年龄段人脸数据集,无法对模型进行有效的训练;另一方面,人脸老化是一个时间连续的过程,传统人脸老化算法需要对目标老化年龄预设分组,无法模拟细粒度的人脸老化进程。针对以上问题,本文结合生成对抗网络对人脸老化合成进行了研究,主要工作如下:（1）针对面部年龄相关老化区域细致纹理难以生成的问题,提出了一种基于年龄显著性检测的细致纹理人脸老化算法。该方法结合年龄估计和显著性检测,提取面部年龄相关区域显著性图,用以指导模型生成合乎逻辑的面部细致老化纹理。最终,借助纹理迁移生成对抗网络合成出具有目标年龄老化特征的人脸图像。实验结果表明,该方法能合成细致的面部老化纹理。（2）针对小年龄段面部轮廓老化过程难以建模的问题,提出了一种基于生成对抗网络的可变轮廓人脸老化算法。该方法用人脸关键点表征面部轮廓,并通过PCA提取人脸关键点主成分,借助几何形变生成对抗网络合成出目标年龄面部轮廓。在小年龄人脸老化中,应用分治策略,对面部轮廓和纹理分开建模,最后通过翘曲函数将老化的纹理和轮廓相结合,合成出真实的目标年龄老化图像。实验结果表明,该方法能对小年龄段人脸老化问题进行有效建模。（3）针对无法模拟细粒度人脸老化进程的问题,提出了一种基于年龄风格编码的人脸老化算法。该方法将年龄视为人脸图片一种独特的“风格”,将人脸图像和目标年龄映射至同一特征空间,并在此空间内将年龄编码与人脸编码相结合,生成具有目标年龄特征的人脸编码。通过预训练的人脸图像生成网络,将目标年龄人脸编码解码为老化人脸图像。实验结果表明,该方法能利用先进人脸生成模型合成出高质量的老化人脸图像。