人脸年龄评估是预测图像中人脸的年龄信息,是一种极具发展潜力的生物特征识别技术,对建设智慧与安全城市具有重大的意义,在人机交互、视频监控和市场分析等领域都得到了广泛的应用。随着深度学习技术的发展,越来越多的研究人员将深度学习技术应用于人脸年龄评估。然而,多数基于深度学习的模型直接从人脸样本中学习单一的年龄特征用于年龄评估,导致学习到的年龄特征鲁棒性不强、易受性别、种族、环境、光照和姿势变化影响。此外,基于深度学习的年龄评估模型多数采用庞大复杂的框架,导致模型在运行时需要消耗大量内存,不便嵌入在小内存设备之上如单片机、手机和摄像头等。针对上述问题,本文从模型精简、多特征学习与融合以及3D年龄特征学习等多个方面深入探索研究如何高效地提取强鲁棒性的年龄特征,主要工作包含以下内容:（1）针对于深度年龄评估模型过于庞大问题,以及为了学习到性别和年龄特征之间的相关性,以便减少不同性别对年龄评估的影响,提出一种高效精简的深度期望年龄评估模型。基于由粗到细的特征提取原则,首先采用初步的双流卷积神经网络模型分别去提取初步年龄和性别特征,并将初步年龄和性别特征按照一定的顺序嵌合形成新的特征,再输入到细致的卷积神经网络中进而提取鲁棒性更强的年龄特征,将最后提取到年龄特征输入到回归层以求出期望年龄作为最终的估算年龄。该方法在多个数据集上进行实验,实验结果表明了该方法运行时所需的空间和时间少,且性能比一些庞大的年龄评估模型更好。（2）为了增强年龄评估模型对人脸样本性别和种族变化的鲁棒性,提出一种多特征学习与融合的年龄评估模型。首先采用三个卷积神经网络分别学习年龄、性别和种族特征,并将这些特征按维度连接,融合成鲁棒性更强的特征;然后,将融合特征输入到两种年龄评估器中,其中一个为回归年龄评估器,另外一个为排序年龄评估器,从而充分地利用年龄标签的连续性和有序性;最后,将两种年龄评估器的输出输入到全连接层中,将全连接层输出的作为最终的估算年龄,以此来自动学习两种年龄评估器的权重α1和α2。所提出的方法在多个公开的年龄评估数据集上均达到了较高的准确率。（3）为了增强年龄评估模型对光照、姿势、性别以及种族变化的鲁棒性,提出了一种基于3D人脸的年龄评估模型。通过Kinect传感器获取人脸的3D数据,3D人脸的数据存储格式为RGB-D格式,即为2D的人脸图像（RGB）和人脸的深度信息图像（D）。所提出模型首先根据深度信息图将2D人脸图像中背景噪声过滤掉;然后,将预处理之后的RGB-D图像输入到三个卷积网络,分别学习3D的年龄、性别和种族特征,并提出一种多特征自适应融合策略将多个特征融合成鲁棒性更强的年龄特征;最后,将融合特征输入到年龄评估器求出最终的年龄。在3D年龄评估数据集上进行实验验证,实验结果表明所提出模型对光照和姿势变化具有很强的鲁棒性,年龄评估达到了更高的准确率。综上所述,本文从模型精简、多特征学习与融合以及3D年龄评估等多个方面系统地研究人脸年龄评估模型,并设计相关人脸年龄评估方法,在多个年龄评估数据集上进行实验,实验结果表明本文所提出的方法可以学习到鲁棒性更强的年龄特征,取到了更高的年龄评估准确率,同时消耗更少的运算空间和时间。