人脸美丽预测是研究让计算机具有人脸美丽判断能力的前沿课题,可应用于医学整形美容、社交网络推荐、人脸图像美化、人物原型设计等多个领域。目前,人脸美丽预测仍存在监督信息不足、模型易受噪声标签影响等问题。噪声标签学习可通过建立噪声模型、设计损失函数或者正则化器等方法,来降低人脸美丽预测中噪声标签的影响;多任务学习能利用多个人脸美丽预测相关任务的有效监督信息,来提高人脸美丽预测的准确率。将噪声标签学习与多任务学习相融合,不仅能利用多任务监督信息来解决人脸美丽预测监督信息不足的问题,而且还能降低人脸美丽数据库中噪声标签的影响。因此,本文提出融合噪声标签学习与多任务学习,并应用于人脸美丽预测,研究内容主要包括:（1）深度卷积神经网络应用于人脸美丽预测,存在过度拟合噪声标签样本问题,从而影响深度卷积神经网络的泛化性。为此,本文提出一种自纠正噪声标签方法应用于人脸美丽预测,可降低噪声标签的负面影响。该方法采用自训练教师模型机制和重标签再训练机制。其中,自训练教师模型机制以自训练的方式获得教师模型,帮助学生模型进行干净标签对应样本的选择和训练,直至学生模型泛化能力超过教师模型而成为新的教师模型,并不断重复该过程;重标签再训练机制通过比较最大预测概率和标签对应预测概率,来纠正噪声标签,并利用纠正后的数据反复采用自训练教师模型机制。实验结果表明,该方法在人工合成噪声标签条件下可降低噪声标签的影响;同时,大规模亚洲人脸美丽（Large Scale Asia Facial Beauty,LSAFB）数据库、SCUT-FBP5500数据库的预测准确率高于常规方法准确率,具有选择干净标签样本、充分利用全部数据的特点。（2）多任务注意力网络（Multi-Task Attention Network,MTAN）能利用单个数据库的多种标签类型数据进行监督训练,但忽略了多个仅有一种标签类型的数据库进行多任务训练时效果不佳的问题。为此,本文结合多任务注意力网络,提出双输入双任务注意力网络（Dual-Input Dual-Task Attention Network,DIDTAN）。该网络将MTAN中任务共享的批量归一化层（Batch Normalization,BN）扩展为不同任务特定的BN层;通过引入神经辨别性降维（Neural Discriminative Dimensionality Reduction,NDDR）模块来约束浅层特征表达;同时,使用深度相关对齐（Deep CORrelation Alignment,Deep CORAL）损失函数约束全连接层特征表达。基于LSAFB数据库、SCUT-FBP5500数据库、Celeb A数据库的实验结果表明,使用双输入双任务注意力网络能提高人脸美丽预测准确率,且高于基准方法;此外,同时利用两个单标签类型人脸美丽数据库的监督信息,解决了监督信息不足的问题。（3）双输入双任务注意力网络通过利用两种输入数据的监督信息,解决了监督信息不足的问题,但网络模型仍易受噪声标签影响。重标签再训练机制是通过比较最大预测概率和标签对应预测概率,来纠正噪声标签;再利用标签纠正后的数据重新进行模型训练,有效降低了噪声标签的影响。因此,本文将DIDTAN融入重标签再训练机制,构建了重标签再训练机制融合模型,使其不仅能利用两种输入数据的监督信息,还可降低噪声标签的影响。实验结果表明,基于LSAFB数据库、SCUT-FBP5500数据库的双输入双任务人脸美丽预测取得65.4%的预测准确率,高于常规方法。