人脸吸引力评估研究作为计算机视觉领域中具有挑战性的课题,受到了许多学者的广泛关注,同时也取得了一系列研究成果。但是先前的人脸吸引力评估方法主要学习的是从人脸美学特征点到吸引力得分之间的简单映射,这些方法忽略了人脸吸引力评估中存在的主观性,即不同的人对人脸美学的认知或评判标准是存在偏差的。另外,现有的公开人脸吸引力数据集规模较小,使得模型容易过拟合且泛化能力较差。针对以上问题,本文提出基于相对排名的人脸吸引力评估方法,通过让模型学习不同吸引力得分的人脸美学特征之间的相对顺序关系,从而提高模型的泛化能力。本文的主要研究内容概括如下:（1）提出了基于Bradley-Terry模型相对排名的人脸吸引力评估方法。通过人脸图像成对比较的方式训练相对关系比较器,使模型学习不同吸引力得分人脸美学特征之间的相对关系。同时,根据人脸吸引力数据集数据分布情况,本文设计了基于Bradley-Terry模型得分推测算法来进行人脸图像吸引力得分预测。鉴于输入是成对人脸图像,本文提出了一种样本对构建策略来减少冗余样本对的数量,进而加快模型的收敛速度。最后,在不同数据集上进行了实验,基于Bradley-Terry模型相对排名的人脸吸引力评估方法表现出了较好的泛化能力。（2）提出了基于概率有序嵌入的人脸吸引力评估方法。人脸吸引力评估是存在主观性的,不同人对人脸美的认知存在偏差,而人脸吸引力评估数据的真值标签是多名志愿者评分的均值,这样的数据标签不可避免地编码了人类的认知偏差,即人脸吸引力评估中存在数据的不确定性。本文通过将特征空间上固定的点转化为一个多维高斯分布来对数据不确定性建模,降低了数据不确定性对人脸吸引力评估模型泛化能力的影响,同时,本文采用有序分布约束来保证人脸吸引力评估目标空间的相对顺序。最后,通过不同数据集上的性能比较以及消融实验证明了在人脸吸引力评估的研究中建模数据不确定性对提高模型的泛化能力是非常重要的。（3）提出了基于心理量表空间的人脸吸引力评估方法。受瑟斯顿提出的配对比较法启发,本文将人脸美学特征空间建模为高维心理量表,将人脸美学特征建模为一个多维高斯分布,然后分别对两个分布采样进行配对比较来学习分布之间的相对顺序关系。通过将相对排名与数据不确定性建模相结合,进一步提高了模型的性能和泛化能力。在相关数据集上（SCUT-FBP5500、Hot-Or-Not等）与先前的人脸吸引力评估方法进行了比较,基于心理量表空间的人脸吸引力评估方法均取得了最优的实验结果。