人脸表情识别与性别、年龄等相关属性识别作为计算机视觉领域的一个重要分支,在公共安防、视频监控、人机交互等领域有重要的研究意义。目前,大多数算法都是分别对人脸表情、年龄以及性别等属性进行单任务识别。但是,这些任务间存在不同程度的关联性,单任务模型彼此独立,因此难以在任务间进行协同学习。为了解决单任务学习的这些弊端,多任务学习充分挖掘任务间的相关信息,为每个单任务提供数据集之外的额外辅助信息,提升各个任务的性能。然而,目前大多数数据集都是基于单个任务构建的异构数据,多任务模型很难从分布不统一的数据中学习到有效特征。本文提出了一种多任务网络探索表情、性别及年龄等任务间的协同关系,在多任务网络中实现各个任务性能的提升。为了解决异构标签数据在多任务网络训练中难以收敛问题,本文利用伪标签探索任务间相关性,并通过迭代训练策略在不同数据上进行多任务学习。该方法有效缓解了训练过程中的遗忘效应,在多个数据集上实现表情、性别及年龄的识别精度。同时,本文算法在数据量衰减至原数据一半的情况下,达到与单任务学习持平的精度,有效增强数据利用率。